在使用卷积神经网络的动脉硬化狭窄症患者的4D流MRI数据的自动化内血管细分
Patrick Winter1,2, Haben Berhane2, Jackson E Moore2
1Department of Medical Physics, Faculty of Mathematics and Natural Sciences, University of Greifswald, Greifswald, Germany.
Frontiers in radiology
|June 19, 2024
概括
这项研究引入了一种深度学习方法,用于在4D流MRI扫描中对内血管进行自动细分,从而提高了诊断内动脉样硬化疾病 (ICAD) 的准确性和速度. 自动化方法与人类观察者的表现相匹配,提高了临床实践中的可重现性.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 神经科学是一个神经科学.
背景情况:
- 内4D流MRI对于量化内动力学在患有内动脉样硬化疾病 (ICAD) 的患者至关重要.
- 手动的血管细分是耗时的,容易导致用户的变化,阻碍可重复和可靠的定量评估,特别是在狭窄的血管中.
研究的目的:
- 开发一种基于深度学习的准确,完全自动化的细分方法,用于使用4D流MRI数据对狭窄的内血管进行细分.
- 提高ICAD患者血液动力学分析的可复制性,稳定性和效率.
主要方法:
- 使用 154 个双VENC 4D 流 MRI 扫描 (68 ICAD 患者, 86 个对照) 训练了一个 3D U-Net 深度学习模型,并将手动分段作为基本真相.
- 自动细分与来自两个独立观察员的手动细分进行了评估,使用子得分,豪斯多夫距离和平均对称表面距离.
- 对流量参数和横截面进行了比较,对狭窄的评估与黑色血管壁成像 (VWI) 进行了验证.
主要成果:
- 自动细分实现了与独立观察者相比的性能,控制组的Dice分数为0.85±0.03 (CoW) 和0.86±0.06 (鼻),患者的0.85±0.04 (CoW) 和0.82±0.07 (鼻).
- 与手动方法相比,自动细分时间显著减少,每次扫描为2.2±1.0秒.
- 狭窄血管的截面光线区域与VWI显示出非常好的一致性 (ICC:0.93),尽管存在一致的高估偏差.
结论:
- 深度学习可以从4D流MRI数据中准确和完全自动地对狭窄的内血管进行细分.
- 开发的方法提高了可重现性,并显著加快了ICAD患者的数据分析.
- 未来的工作将专注于扩展数据集,以提高各种内血管病理的性能和概括性.
