基于深度学习的重建后期加多增强图像的评估,用于识别临床未识别的心肌梗塞患者

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
• 放射学 放射学是一门学科.

背景情况:

• 未被识别的心肌梗塞 (UMI) 存在预测心脏不良事件.
• 准确检测UMI对于患者管理至关重要.
• 传统的晚期加多增强 (LGE) 成像在UMI检测方面存在局限性.

研究的目的:

• 将基于深度学习重建 (DLR) 的LGE (LGE_DL) 与用于UMI检测的传统LGE (LGE_O) 进行比较.
• 用LGE_DL和LGE_O来评估UMI诊断的最佳量化参数.
• 提高疑似UMI患者的诊断准确度和临床决策.

主要方法:

• 对98名怀疑患有UMI的患者进行前性研究.
• 使用常规和DLR算法获得LGE_O和LGE_DL图像.
• 分析了信号与噪声比 (SNR),对比与噪声比 (CNR) 和增强区域 (P_area) 的百分比,使用标准偏差 (SD) 和半最大全宽度 (FWHM) 的信号值与参考平均值 (STRM) 方法.

主要成果:

• 与LGE_O相比,LGE_DL显示出明显更好的SNR和CNR.
• 使用值方法,P_area-DL高于P_area-O,但不是FWHM.
• 使用LGE_DL的5SD方法显示了UMI检测的最佳诊断疗效.
• 对于LGE_DL的≥4SD和LGE_O的≥3SD的STRM选择实现了强大的诊断疗效.

结论:

• 基于DLR的LGE显著提高了图像质量和UMI检测率.
• 最佳的STRM选择对于使用LGE_DL进行准确的UMI诊断至关重要.
• 使用LGE_DL提高诊断准确性,为UMI患者提供更好的临床决策和心血管护理.