训练数据组成对卷积神经网络主动脉横截面细分在四维磁共振流成像中的概括性的影响
Chiara Manini1, Markus Hüllebrand2, Lars Walczak2
1Deutsches Herzzentrum der Charité (DHZC), Institute of Computer-assisted Cardiovascular Medicine, Berlin, Germany; Charité - Universitätsmedizin Berlin, corporate member of Freie Universität Berlin and Humboldt Universität zu Berlin, Berlin, Germany.
概括
针对四维心血管磁共振流成像 (4D流CMR) 分段的深度学习模型需要多样化的训练数据. 包括各种病理和技术因素在内,可以提高模型的概括性,以便进行准确的大动脉血动力学分析.
科学领域:
- 心血管成像 - 心血管成像
- 医学图像分析 医学图像分析
- 医学中的深度学习
背景情况:
- 四维心血管磁共振流成像 (4D流CMR) 对于心血管疾病的评估至关重要.
- 4D流量数据的手动细分引入了可变性,限制了血液动力学分析中的可重现性.
研究的目的:
- 开发深度学习模型用于4D流CMR中的自动细分.
- 分析训练数据特征对不同临床环境中的模型概括的影响.
主要方法:
- 在260个具有多种病理和获取参数的4D流CMR数据集上训练了一种增强的3D U-net CNN.
- 使用子得分,豪斯多夫距离和表面距离指标评估模型性能.
- 使用Bland-Altman分析,将自动化细分衍生的流量参数与手动细分进行比较.
主要成果:
- 技术因素 (扫描器供应商,现场强度) 的训练数据表示显著影响了细分性能.
- 年龄对表现的影响比性别更大;双主动脉 (BAV) 模型对健康受试者更好地概括,而不是相反.
- 不同质的训练数据集对于强大的模型概括至关重要.
结论:
- 涵盖各种病理和技术获取因素的多种数据集对于在4D流CMR中训练广泛适用的自动CNN细分模型至关重要.
- 这种方法提高了血液动力学可视化和定量参数计算的可靠性.
