在7T心肌梗塞的大型动物模型中的心脏功能:基于深度学习的自动细分增加了可重现性

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:

• 心脏磁共振 (CMR) 成像对于非侵入性心脏功能量化至关重要.
• 精确的心肌细分对于CMR分析至关重要,但当前的临床软件在临床前和超高强度场数据 (例如,7特斯拉) 上扎.
• 临床前研究通常需要专门的细分方法,因为与人类临床数据相比,图像采集和特征的差异.

研究的目的:

• 适应和重新训练已建立的深度学习 (DL) 模型用于心肌细分.
• 通过使用临床前7特斯拉CMR数据,提高心脏功能分析的速度和可重复性.
• 评估重新训练的DL模型在临床前环境中对手动细分的性能.

主要方法:

• 一个最初为人类CMR细分开发的深度学习模型,使用772个手动标记的临床前7张特斯拉CMR图像从11只猪身上进行了重新训练.
• 然后,重新训练的模型在一个单独的288张图像上进行了测试.
• 为了比较,评估了手动细分的观察者间和观察者内部变异性.

主要成果:

• 重新训练的DL模型表现出与手动细分对关键心脏功能参数的优异一致.
• 射出分数 (EF) 分析显示皮尔森的r为0.95,Intraclass相关系数 (ICC) 为0.97,变化系数 (CoV) 为6.6%.
• 细分精度很高,Dice分数为0.88的左心室和0.84的心肌.

结论:

• 在临床前的7特斯拉数据上重新训练一个以人为中心的DL模型,显著提高了心肌细分的准确性.
• 调整后的DL模型在临床前CMR研究中为心脏功能分析提供了更快,更可重复的方法.
• 这种方法克服了超高强度临床前成像现有临床软件的局限性.