基于深度学习的左心室细分证明了呼吸运动解决全心重建的性能提高

科学领域:

• 心血管成像 - 心血管成像
• 人工智能在医学中的应用
• 医学图像分析 医学图像分析

背景情况:

• 基于深度学习 (DL) 的细分越来越多地用于心脏磁共振 (CMR) 分析,特别是用于左心室 (LV) 体积的确定.
• 全心,自由呼吸,自我导航的CMR提供了用于心脏解剖评估的高分辨率成像.
• 将先进的CMR采集与DL细分结合起来,可以提高临床工作流的效率.

研究的目的:

• 为了比较DL自动LV细分网络的性能,在CT图像上训练,跨两个全心CMR重建方法:运动校正 (Mcorr) 和运动解析 (Mres).
• 评估DL细分是否更好地对Mres图像进行概括,假设图像质量优于Mcorr图像.
• 为了评估基于DL的LV体积定量与手动专家跟踪的准确性.

主要方法:

• 对15名接受1.5TCMR的患者的回顾性分析,使用3D辐射基因组分 bSSFP序列.
• 基于DL的自动LV细分与使用绝对体积差异 (AVD) 和3D子相似系数的手动专家跟踪的比较.
• 评估LV心肌-血池接口的度和统计分析,使用配对的学生t测试.

主要成果:

• 与麦科尔 (20.0 ± 22.4毫升) 重建 (p=0.03) 相比,Mres (7.73 ± 6.54毫升) 的下绝对体积差 (AVD) 较小.
• 对于Mres (0.90 ± 0.02) 与Mcorr (0.87 ± 0.03) 图像 (p=0.02) 的更高的3D子相似系数.
• 在Mres图像 (0.15 ± 0.05) 中观察到的明显更高的清晰度比Mcorr图像 (0.12 ± 0.04) (p=0.014).

结论:

• 基于DL的3D自动LV细分网络更好地将Mres图像概括为LV体积量化而不是Mcorr图像.
• 这些发现支持了Mres重建产生更准确的DL基于LV细分的假设.
• 这项研究强调了Mres重建的潜力,以提高全心CMR中自动化LV体积分析的可靠性.