基于深度学习的自我适应细分,用于通用和功能性临床和临床前CT图像分析
Anne-Wietje Zwijnen1, Leon Watzema2, Yanto Ridwan3
1Department of Molecular Genetics, Erasmus University Medical Center, Rotterdam, the Netherlands.
Computers in biology and medicine
|July 16, 2024
概括
深度学习自动化了对人类CT和小鼠微型CT (μCT) 扫描的心脏成像分析. 这种方法准确量化心脏功能,有助于在临床前和临床环境中研究心力衰竭.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 心血管研究研究心血管研究
- 人工智能在医学中的应用
背景情况:
- 非侵入性心脏监测对于心力衰竭研究至关重要.
- 手动分析心脏CT和微CT (μCT) 图像耗时且容易出现错误.
- 现有的临床CT自动化方法很难应用于临床前μCT数据.
研究的目的:
- 开发一种深度学习方法,从人类CT和临床前μCT心脏图像中自动提取定量数据.
- 为了克服将自动细分方法从临床CT转化为μCT数据的挑战.
- 为了使人类患者和动物模型中心脏功能的有效和准确的监测.
主要方法:
- 利用公开的人类心脏CT图像数据集和从小鼠获得的μCT图像.
- 在μCT训练组中手动细分心脏基结构 (左心室,心肌,右心室).
- 使用nnU-Net框架在基于模板的心脏检测后训练两个不同的深度学习细分网络.
主要成果:
- 在CT细分方面获得了0.925 ± 0.019的平均子得分,超过了最先进的算法.
- 对于μCT训练集,已经证明了几乎相同的自动化和手动化细分.
- 报告了对μCT测试集结果的估计中位数Dice得分为0.940,与现有方法相比.
- 自动化体积指标与人工专家的观察结果非常相匹配.
- 在老化小鼠中观察到显著减少的射出分数和心肌体积增加,年龄达到24周.
结论:
- 使用深度学习的自动数据提取增强了 (μ) CT成像用于心脏分析的实用性.
- 该方法减少了定量心脏评估中的主观性和工作量.
- 该方法准确地测量了心室喷射率和心肌质量.
- 能够在人体和动物研究中对心脏功能进行一致的监测,方便腹和心阶段分析.
