相关实验视频
Updated: Jul 5, 2025
07:45
Acute Myocardial Infarction in Rats
Published on: February 16, 2011
53.2K
在动物心肌梗塞模型中用于诊断和治疗反应的自动定量评估
Kangsan Kim1, Yong Jin Lee1, Min Hwan Kim2
1Division of Applied RI, Korea Institute of Radiological and Medical Sciences, Seoul 01812, Republic of Korea.
Biomedicines
|January 23, 2024
概括
这项研究比较了测量动物心肌梗塞大小的方法. 深度学习细分显著提高了对评估心脏病发作大小的传统值技术的准确性.
科学领域:
- 心血管成像 - 心血管成像
- 医学物理 医学物理
- 生物医学工程 生物医学工程
背景情况:
- 准确评估心肌梗塞 (MI) 大小对于评估心脏功能和指导治疗至关重要.
- 传统的心脏病发作量化方法可能是主观的,耗时的.
- 开发用于MI大小测量的自动化和准确的方法是心血管研究中的持续挑战.
研究的目的:
- 评估和比较基于直方图的值技术与无监督深度学习 (DL) 分段,用于自动测量动物心肌梗塞的极地图.
- 确定在临床前模型中准确量化心脏病发作大小的最合适的方法方法.
主要方法:
- 通过左冠状动脉绑定创建了一种老鼠心肌梗塞模型.
- 采用了各种成像方式,包括18F-氧糖 (FDG) 阳离子发射断层扫描 (PET),64Cu-pyruvaldehyde-bis(N4-methylthiosemicarbazone) PET,99mTc-hexakis-2-methoxyisobutylisonitrile单光子发射计算机断层扫描 (SPECT),201Tl SPECT和延迟对比增强磁共振成像 (MRI).
- 三种值方法 (naive,Otsu的算法,多高斯混合模型) 和基于卷积神经网络的深度学习 (DL) 分段方法用于心脏病发作大小测量.
主要成果:
- 该研究将心脏病发作大小测量的准确性与组织学作为黄金标准进行了比较.
- 对于18F-FDG测量的R平方值为0.8477 (天真值),0.7084 (Otsu的算法),0.8353 (多高斯混合模型) 和0.9024 (DL细分).
- 与评估的值方法相比,基于深度学习的细分在评估心肌梗塞大小方面表现出更高的准确性.
结论:
- 基于深度学习的无监督细分为动物模型中量化心肌梗塞大小提供了更准确和自动化的方法.
- 这种先进的方法有望提高临床前心脏研究和药物开发的可靠性.
- 这些发现支持在心血管成像研究中采用DL细分来进行标准化和精确的心脏病发作大小评估.
