时间不确定性定位,以实现动态对比增强心脏MRI数据集的人在循环分析
Dilek M Yalcinkaya1,2, Khalid Youssef1,3, Bobak Heydari4
1Laboratory for Translational Imaging of Microcirculation, Indiana University School of Medicine (IUSM), Indianapolis, IN, USA.
Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
|January 11, 2024
概括
一种新的动态质量控制 (dQC) 方法通过识别不确定的图像段来改善动态对比增强心脏MRI (DCE-CMRI) 的深度神经网络 (DNN) 分段. 这减少了失败的细分,并提高了心肌输液的诊断准确性.
科学领域:
- 医疗成像医学成像
- 心血管成像 - 心血管成像
- 人工智能在医学中的应用
背景情况:
- 动态对比增强心磁共振成像 (DCE-CMRI) 对于诊断心肌输液异常至关重要.
- 在DCE-CMRI中获取大量图像使手动细分耗时且容易出现错误,特别是在运动工件中.
- 深度神经网络 (DNN) 显示了DCE-CMRI分析的潜力,但对于细分失败缺乏强大的质量控制.
研究的目的:
- 在自由呼吸的DCE-CMRI中开发和验证基于DNN的细分的动态质量控制 (dQC) 的新型时空不确定性指标.
- 建立一个使用dQC指标的人在循环框架,以改进细分结果并提高诊断准确性.
- 评估拟议的dQC方法的效率和有效性,与人类审查的随机选择相比.
主要方法:
- 提出了一个时空不确定性指标,用于识别基于DNN的DCE-CMRI分析中的不确定细分.
- 实施了一个人为循环系统,将前10%最不确定的细分进行专家改进.
- 在外部数据集上验证了方法,并将其与随机选择进行人体审查进行了比较.
主要成果:
- 该dQC框架显著提高了子得分 (p < 0.001),表明细分精度有所提高.
- 使用dQC指导方法,图像分段失败的数量从16.2%降至11.3%.
- 随机选择分段进行人体审查并没有显著改善分段质量.
结论:
- 拟议的dQC框架有效地识别了基于DNN的DCE-CMRI分析中的低质量细分.
- 这种方法使动态CMRI数据集的高效,人为循环分析成为可能,改善了临床解释.
- 该dQC工具有可能提高动态心脏MRI自动化分析的可靠性和效率.
