完全自动定量测量平衡放射核素血管心脏学使用卷积神经网络

科学领域:

• 心脏病学 心脏病学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 左心室喷射率 (LVEF) 是心脏功能的一个关键指标.
• 精确的LVEF测量依赖于精确划分左心室感兴趣区域 (ROI).
• 传统的手动ROI划分是耗时的,容易引起观察者之间的变化.

研究的目的:

• 开发和验证一个深度学习模型,用于在平衡放射性核素血管学 (ERNA) 中自动生成ROI.
• 为了评估基于深度学习的ROI (dlROI) 与手动绘制的ROI (mROI) 和预处理的ROI (pROI) 的性能,用于LVEF测量.

主要方法:

• 训练了一个2D U-Net卷积神经网络,从ERNA数据集中生成dlROI.
• 实际ROI (pROI) 由手动绘制的ROI (mROI) 获得,使用41%的门.
• 模型性能使用林的一致性相关系数 (CCC) 和布兰德-阿尔特曼分析进行了评估.

主要成果:

• 这项研究包括了19,309名患者的41,462次扫描.
• 从dlROI和pROI (CCC=85.6%) 和dlROI和mROI (CCC=86.1%) 的LVEF测量结果之间观察到强烈的一致性.
• dlROI和mROI之间的平均LVEF差异为-0.4%,其中91%的扫描显示绝对差异<5%.

结论:

• 2D U-Net模型在从ERNA扫描中生成LVROI方面表现出色.
• 自动化dlROI生成可以显著提高LVEF测量的方便性和可重复性.
• 这种深度学习方法对心脏成像中的常规临床应用具有前景.