罗式金字塔深度学习网络用于3D心脏cine-MR中应变估计
Catharine V Graves1, Marina F S Rebelo2, Ramon A Moreno2
1Instituto do Coracao HCFMUSP, Faculdade de Medicina, Universidade de Sao Paulo, Sao Paulo, SP, Brazil; Escola Politecnica da Universidade de Sao Paulo, Sao Paulo, SP, Brazil.
概括
这项研究引入了一种新的深度学习管道,用于从3Dcine-MR图像中准确地估计心肌应变. 该方法提供可靠的心脏功能评估,性能优于商业软件,并减少用户偏见.
科学领域:
- 心脏病学 心脏病学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 心肌菌株量化区域组织变形,是心脏功能的敏感指标.
- 估计心肌张力需要在整个心脏周期中精确跟踪心脏运动.
- 传统的指数,如左心室喷射率 (LVEF),可能会忽略微妙的心肌异常.
研究的目的:
- 开发和验证一种基于深度学习的新型管道,用于自动和准确的心肌应变估计.
- 使用3D电影MR图像精确量化局部和全球心肌应变.
- 将管道的性能与商业软件在可靠性和可变性方面进行比较.
主要方法:
- 一个深度学习管道,利用监督的卷积神经网络 (CNN) 进行心肌细分.
- 一个无监督的CNN,用于强大的左心室运动跟踪,以实现应变估计.
- 使用人工幻影和真实cine-MR图像进行验证,并与商业软件进行比较.
主要成果:
- 拟议的管道证明了可靠的心肌应变量化.
- 与两个商业软件包相比,它显示了较小的分歧水平.
- 该方法独立于用户数据,消除了潜在的用户偏见.
结论:
- 这种新的深度学习管道从3D cine-MR图像提供了准确可靠的心肌应变估计.
- 这种方法通过提供敏感和公正的替代方案来提高心脏功能评估.
- 自动化方法简化了菌株分析,并提高了一致性.
更多相关视频
11:13Quantification of Mouse Heart Left Ventricular Function, Myocardial Strain, and Hemodynamic Forces by Cardiovascular Magnetic Resonance Imaging
Published on: May 24, 2021
6.4K
12:54Simultaneous Brightfield, Fluorescence, and Optical Coherence Tomographic Imaging of Contracting Cardiac Trabeculae Ex Vivo
Published on: October 2, 2021
3.3K
