在心律失常患者的非对比增强心脏3DMRI中进行图像细分的多网络方法
Ina Vernikouskaya1, Dagmar Bertsche1, Patrick Metze1
1Department of Internal Medicine II, Ulm University Medical Center, Ulm, Germany.
概括
这项研究引入了一种自动化的深度学习方法,用于从心律失常患者的非对比心磁共振图像中对心脏结构进行细分,从而改善中风预防策略.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 心脏病学 心脏病学
背景情况:
- 左心房附属体 (LAA) 封闭对于预防非膜心房动中风至关重要.
- 基于导管的LAA阻塞是具有挑战性的,因为解剖学复杂性和依赖于TEE和XR指导.
- 心脏磁共振 (CMR) 提供无辐射成像,但手动细分是困难的,特别是心律失常.
研究的目的:
- 从心律失常患者的非对比增强CMR图像中开发心脏结构的自动图像细分方法.
- 解决手动细分的局限性,包括其劳动密集型性质和易受心律失常导致图像质量恶化的敏感性.
- 为了促进对以导管为基础的LAA关闭程序的更有效和更准确的指导.
主要方法:
- 提出了采用全卷积神经网络 (CNN),特别是U-Net架构的多阶段管道方法.
- 实施了两阶段的深度学习策略:心脏结构的初始定位,然后对截取的子区域进行细分.
- 在非对比度增强的CMR图像上训练并验证了模型.
主要成果:
- 拟议的深度学习方法可以从具有挑战性的CMR数据集中自动细分心脏结构.
- 双阶段管道设计提高了自动心脏细分的效率和有效性.
- 该方法有望改善心律失常患者的图像分析,克服手动划分的局限性.
结论:
- 从使用深度学习的非对比CMR对心脏结构的自动细分是可行的和有效的,即使在心律失常患者.
- 这种技术可以帮助无辐射心脏成像,并可能改善LAA封闭程序的指导.
- 进一步开发自动化细分方法对于推进心脏成像分析和干预性心脏病学至关重要.
