基于深度学习的工作流程,用于在心脏计算机断层扫描中自动提取心房和心表脂肪组织,用于心脏动
Ling Kuo1,2,3, Guan-Jie Wang1, Po-Hsun Su1
1Department of Biomedical Imaging and Radiological Sciences, National Yang Ming Chiao Tung University, Taipei, Taiwan, ROC.
Journal of the Chinese Medical Association : JCMA
|February 21, 2024
概括
深度学习在CT扫描上准确地细分心脏结构和心表脂肪组织 (EAT). 这种可靠的工作流程有助于通过估计EAT体积来管理心房动 (AF).
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心脏病学 心脏病学
背景情况:
- 从CT扫描中预先估计左心房 (LA) 和心上脂肪组织 (EAT) 容量,这对于预测心房 (AF) 复发至关重要.
- 精确量化这些结构对于有效的AF管理至关重要.
研究的目的:
- 开发基于深度学习的工作流程,用于对心房,心周和心脏进行自动细分.
- 为了能够对LA和EAT数量进行可靠的手术前估计,以改善AF管理.
主要方法:
- 使用3D U-Net模型开发了一个深度学习管道,用于自动细分LA,RA和心周.
- 在心周内用CT衰减值 (-190~-30 HU) 量化了心周周周周周的副心脂肪组织 (EAT).
- 为了对总EAT,LA-EAT和RA-EAT进行细分,创建了特定的模型.
主要成果:
- 细分模型在LA (0.960 ± 0.010),RA (0.945 ± 0.013) 和心周 (0.967 ± 0.006) 中实现了高的子系数.
- 在细分模型和对心房和心周的基本真相之间观察到良好的相关性 (r = 0.99,p < 0.001).
- 拟议的方法在EAT细分方面表现出强的性能,Dice系数为0.870±0.027的总EAT,0.846±0.057的LA-EAT,0.841±0.071的RA-EAT.
结论:
- 开发的3D U-Net工作流提供了可靠的LA,RA和EAT自动细分从CT图像的AF患者.
- 这种自动化细分方法有望提高术前风险评估,并指导AF管理策略.
