为心脏MRI细分优化深度学习:自动切片范围分类的影响
Sarv Priya1, Durjoy D Dhruba2, Sarah S Perry3
1Department of Radiology, University of Iowa Carver College of Medicine, Iowa City, Iowa (S.P.).
Academic radiology
|August 4, 2023
概括
通过添加初始切片范围分类步骤来改进自动化深度学习 (DL) 心脏细分. 这种整合提高了准确性,并减少了心血管MRI分析中的观察者偏差.
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:
- 心脏磁共振成像 (CMR) 对心血管疾病的诊断至关重要.
- 在CMR中手动细分是耗时的,容易产生观察者变异.
- 深度学习 (DL) 提供自动细分,但受到切片选择的限制.
研究的目的:
- 通过集成自动切片范围分类步骤来增强基于DL的心脏细分.
- 为了评估一个组合的分类和细分模型与一个独立的细分模型的性能.
- 用既定指标将自动细分结果与手动细分结果进行比较.
主要方法:
- 利用公开的心脏MRI数据集 (多种疾病,多种视图和多中心右心室细分) 与短轴影像数据.
- 开发并测试了三种分类和七种细分DL模型.
- 评估了具有和没有集成分类步骤的顶部细分模型 (CBAM集成的2D-CNN和2D-UNet).
- 通过使用子得分,豪斯多夫距离,相关性和布兰德-阿尔特曼图表验证模型.
主要成果:
- 组合的分类和细分模型获得了优异的Dice分数:0.952 (LV),0.933 (RV) 和0.875 (心肌).
- 对双心室体积,喷射分数和心肌质量进行自动和手动细分之间观察到高相关性 (0.92-0.99).
- 临床参数的平均绝对差异处于观察者间的可变性范围内,显示了与手册注释可比的性能.
结论:
- 整合自动切片范围分类显著改善了基于DL的心室细分性能.
- 拟议的方法为心脏MRI分析提供了更准确,更可靠的自动化解决方案.
- 这种方法有可能减少临床实践中的后处理时间和观察者偏差.
