对于加多增强的心脏磁共振成像的晚期自动倒置时间选择
Cheng Xie1,2, Rory Zhang1,2, Sebastian Mensink1,2
1Melbourne Bioinnovation Student Initiative (MBSI), Parkville, VIC, Australia.
European radiology
|February 10, 2024
概括
深度学习模型准确地确定心脏MRI的最佳倒置时间 (TI),提高工作流效率. 这种自动化工具确保可重复的,跨供应商的TI选择,以实现一致的晚期加多增强成像.
科学领域:
- 心血管成像 - 心血管成像
- 人工智能在医学中的应用
- 医学图像分析 医学图像分析
背景情况:
- 晚期加多增强 (LGE) 心脏MRI需要精确的反转时间 (TI) 选择以获得最佳的图像质量.
- 当前的TI侦察方法可能会耗时,并且受观察者之间的变化影响.
- 多供应商和多机构数据对标准化的TI选择提出了挑战.
研究的目的:
- 开发和共享一种深度学习 (DL) 方法,用于从反向侦察 (TI scout) 序列中准确的最佳TI识别.
- 通过多供应商,多机构和多场强度的心脏MRI数据验证DL模型的性能.
- 为LGE成像中可重复的TI选择提供一个强大的,自动化的工具.
主要方法:
- 一项回顾性多中心研究,涉及来自四个中心和三家供应商的1136个心脏MRI检查 (1.5-T和3-T).
- 开发一个DL模型,结合一个卷积神经网络 (CNN) 和一个长短期记忆 (LSTM) 网络.
- 培训和验证使用TI侦察像素数据与地面真相注释;评估指标包括50毫秒内的准确性,MAE,LCCC和RMAR.
主要成果:
- 性能最好的DL模型 (SE-ResNet18-LSTM) 在持久测试套件上实现了96.1%的准确性.
- 在第四个中心的未见的外部数据上,该模型显示了97.3%的准确性.
- 该模型显示了高性能指标 (测试时MAE为22.9 ms,外部数据为15.2 ms) 和不同供应商的稳定性.
结论:
- 一个DL模型成功地开发出来,可以从TI侦察图像中精确识别跨多供应商数据集的最佳TI.
- 该模型在内部和外部验证数据上都显示出高精度,包括以前未见过的数据.
- 这种自动化工具有可能提高工作流程的效率,并为LGE心脏MRI提供标准化,可重复的TI选择.
