基于深度学习的自动左心室细分和4D流动心脏MRI中的流量量化

科学领域:

• 心血管成像 - 心血管成像
• 医学图像分析 医学图像分析
• 人工智能在医学中的应用

背景情况:

• 四维流动磁共振成像 (4D流动MRI) 允许全面评估心脏功能和心脏内血流动力学.
• 目前对4D流MRI的定量分析需要从注册的CineMRI进行细分,需要额外的获取和风险对齐不准确.
• 从4D流MRI直接细分将简化定量分析,并通过消除扫描间错位来提高准确性.

研究的目的:

• 开发和评估基于深度学习的方法,从4D流MRI直接对左心室 (LV) 进行细分.
• 为了消除在4D流MRI研究中为LV细分进行单独的cine MRI采集的需要.
• 为了能够直接从4D流MRI数据中精确量化体积和血液动力 LV 参数.

主要方法:

• 我们比较了五种具有不同网络架构,数据预处理和功能融合技术的深度学习方法.
• 4D流MRI数据被重新格式化成短轴切片,并使用两种拟议的融合方法集成大小和速度图像的特征.
• 网络在内部数据集 (101名受试者) 上进行了培训和验证,使用Dice,ASD,EDV,ESV,LVEF,KE和流组件评估性能. 蒙特卡洛脱落被用于不确定性估计.

主要成果:

• 一个2D U-Net模型与短轴重新格式化的4D流量上的晚期融合方法相结合,产生了最佳性能 (子:84.52%,ASD:3.14 mm).
• 与手动细分相比,自动细分实现了关键参数的低误差:EDV (10.39%),ESV (22.22%),LVEF (7.37%) 和KE (5.61%).
• 来自自动化细分的LV流组件与手动细分相比显示出高相关性和最小的平均误差.

结论:

• 深度学习方法可以准确地从4D流MRI直接执行自动化LV细分.
• 这种方法可以精确量化体积和血液动力 LV 参数,而不需要额外的电影MRI 采集.
• 开发的深度学习模型为使用4D流MRI进行心血管分析提供了精简和准确的替代方案.