人工智能在电影MRI中对双心脏功能评估的方法:一个超小的培训数据集和多供应商研究

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 心血管研究研究心血管研究

背景情况:

• 在有限的心脏MRI数据集上训练通用深度学习模型具有挑战性.
• 多导向电影MRI数据存在独特的细分困难.
• 自动心脏功能评估需要强大的和验证的方法.

研究的目的:

• 开发和评估3D深度学习方法,用于双心膜细分和功能评估,使用多导向心脏影像MRI的超小数据集.
• 从多个MRI供应商的数据中评估模型的性能.
• 与手动分析相比,建立自动心脏功能参数的准确性和一致性.

主要方法:

• 结合变压器和U-Net的3D深度学习算法在150个心脏MRI病例的数据集上进行了训练 (90次训练,60次测试).
• 数据包括来自三个不同MRI供应商的多导向电影序列.
• 用Dice和Hausdorff距离测量细分性能;功能评估使用相关性,ICC和布兰德-阿尔特曼分析.

主要成果:

• 该模型实现了高细分精度,平均子得分为0.92-0.94和HD95的1.36-2.50,跨序列.
• 自动和手动心脏功能参数显示出良好的相关性 (r2 0.824-0.983) 和高一致性 (ICC 0.908-0.989).
• 布兰德-阿尔特曼分析表明,除了RVESV和LVM,没有显著差异.

结论:

• 开发的3D深度学习模型显示了心脏MRI细分的高精度和功能评估的可靠性能.
• 这种方法为心脏MRI分析提供了快速,有效和可通用的方法,即使数据有限.
• 该模型在多供应商数据集中的稳定性支持其在研究心脏MRI和心脏病方面的临床实用性.