在使用深度学习模型和放射性T1和ECV值计算的定量MR T1地图上对LV心肌的细分自动管道

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
• 量化MRI是指数量化的MRI.

背景情况:

• 原生和后对比T1映射是心肌组织表征和疾病评估的重要非侵入性MRI技术.
• 在T1地图上对左心室 (LV) 的准确细分对于可靠的定量分析和心血管疾病 (CVD) 诊断至关重要.
• 目前的手动细分方法耗时,容易引起观察者之间的变化.

研究的目的:

• 开发和验证深度学习 (DL) 管道,用于T1地图上LV心肌的自动细分.
• 通过基于DL的细分,实现辐射T1和细胞外体积 (ECV) 值的自动计算.
• 评估DL架构 (U-Net,Deep Res U-Net) 在多中心数据集中的LV细分和定量分析的性能.

主要方法:

• 使用U-Net和Deep Res U-Net架构开发了一个深度学习管道,用于T1地图上的LV心肌细分.
• 该管道在332名受试者的多中心数据集上进行了训练和验证,具有追溯的多参数MRI数据.
• 使用子相似系数 (DSC) 来评估整体和辐射子细分的性能,t测试将定量值 (原生T1,后对比T1,ECV) 与基本真相进行比较.

主要成果:

• 无论是U-Net还是Deep Res,U-Net都实现了高的LV细分性能,DSC分别为0.84±0.43和0.85±0.03.
• 辐射子细分产生了0.77 ± 0.21 (基底),0.81 ± 0.17 (中腔) 和0.61 ± 0.14 (尖端) 的DSC值.
• 在所有辐射子段中,在基准真相和预测的原生T1,对比后T1和ECV值之间没有发现统计学上显著的差异 (p > 0.05).

结论:

• 拟议的DL管道在T1地图上准确地细分了LV心肌,促进了T1和ECV值的自动计算.
• 这种自动化方法为心脏评估提供了可靠和客观的方法,可能有助于放射科医生在心血管疾病诊断中.
• DL方法显示了提高定量心脏MRI分析效率和准确性的巨大潜力.