相关实验视频
Updated: Jun 2, 2026
06:53
3D Whole-heart Myocardial Tissue Analysis
Published on: April 12, 2017
8.7K
基于深度学习的全自动化模型的开发和性能评估,用于T1映射MRI数据的肌动脉细分T1映射MRI数据
Mathias Manzke1, Simon Iseke1, Benjamin Böttcher1
1Institute of Diagnostic and Interventional Radiology, Pediatric Radiology and Neuroradiology, University Medical Centre Rostock, Ernst-Heydemann-Str. 6, 18057, Rostock, Germany.
Scientific reports
|August 14, 2024
概括
一个深度学习模型在心脏MRI T1地图上准确地细分左心室 (LV) 心肌. 这种自动化方法实现了高准确度,在细分任务中表现优于人类评分人员.
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
- 医学图像分析 医学图像分析
背景情况:
- 精确细分左心室 (LV) 心肌对于心磁共振成像 (CMR) T1图的定量分析至关重要.
- 手动细分是耗时的,并且受观察者之间的变化影响.
- 深度学习为自动化和准确的心肌细分提供了潜在的解决方案.
研究的目的:
- 开发和优化基于深度学习的模型,用于在本地T1图上对LV心肌进行细分.
- 为了评估模型在长轴和短轴心脏MRI方向上的性能.
- 为了比较模型的细分精度与人类评分员的手动细分.
主要方法:
- 用U-Net架构来开发深度学习模型.
- 在125名参与者 (50名健康志愿者,75名患者) 的本地心肌T1图上训练模型.
- 系统优化涉及不同的训练指标 (DSC,IOU),激活函数 (ReLU,LeakyReLU) 和时代;使用DSC和ReLU的35个时代产生了最佳结果.
主要成果:
- 优化的深度学习模型实现了高细分性能 (平均DSC 0.88 ± 0.07),平均T1误差为10.6 ± 17.9 ms.
- 该模型的协议极限 (-35.5到+36.1毫秒) 优于两个人类评分器 (-34.7到+59.1毫秒) 之间的协议极限.
- 对长轴 (平均DSC 0.89 ± 0.03) 和短轴 (平均DSC 0.88 ± 0.08) 视图的细分精度是可比的.
结论:
- 使用深度学习,可以在原生T1地图上完全自动对LV心肌进行细分.
- 开发的模型表现出高精度和一致性,超过了人类观察者之间的协议.
- 这种自动化方法可以在临床环境中对心肌T1图进行高效和可靠的定量分析.
