基于图像的自动跟踪加多填充气球式导管用于MRI引导的心脏导管,使用深度学习

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 心血管干预 心血管干预

背景情况:

• 磁共振成像 (MRI) 与X射线光学相比,在心脏导管治疗中具有优势,包括优越的软组织可视化和缺乏电离辐射.
• 目前的MRI指导程序依赖于导管尖端的手动跟踪,这是耗时和复杂的.
• 自动导管气球检测可以显著改善这些程序期间的导航和可视化.

研究的目的:

• 开发和评估基于深度学习的管道,用于实时,自动检测和跟踪MRI导向心脏导管治疗中的导管气球.
• 评估拟议方法的准确性,特异性,灵敏性和计算效率.

主要方法:

• 用于导管气球细分,采用了带有ResNet-34编码器的U-Net架构.
• 开发了一个无参数的深度学习管道,用于后处理和独特的尖端坐标估计.
• 该方法在7名接受右心导管治疗的患者的MRI数据上进行了回顾性评估,使用在训练期间未见的方向获得的图像.

主要成果:

• 自动导管跟踪实现了高的整体精度 (98.4% ± 2.0%),特异性 (99.9% ± 0.2%),和灵敏度 (95.4% ± 5.5%).
• 深度学习细分步骤证明了实时兼容性,每个图像的计算时间约为10ms.
• 该系统提供了准确的导管尖位置定位,即使在看不见的图像方向.

结论:

• 基于深度学习的导管气球跟踪是一种可行且准确的MRI导向心脏导管技术.
• 开发的方法是无参数的,在实时约束范围内运行,提供了简化程序的潜力.
• 建议在更大的患者队列和在线整合中进行进一步的验证,以确认临床益处.