自动心血管MR心肌痕量化与无监督域适应

科学领域:

• 医学成像和人工智能 医学成像和人工智能
• 心血管磁共振成像 - 心血管磁共振成像
• 医疗保健中的机器学习

背景情况:

• 在晚期加多增强 (LGE) 心血管磁共振 (CMR) 图像中使用人工智能 (AI) 来自动量化心肌痕,对于临床评估至关重要.
• 人工智能模型经常面临由于领域转移而导致的性能下降,其中数据特征与原始训练集有所不同,这限制了它们对当地医院数据的概括性.
• 现有的痕量化人工智能管道需要适应新数据集,通常涉及广泛的手动注释,这耗时且资源密集.

研究的目的:

• 调查使用无监督的基于CycleGAN的域调整的可行性,以使在公共LGE CMR数据上训练的AI模型能够在当地医院数据上进行痕量化.
• 在对44名临床评估缺血性痕患者的外部测试组进行域调整后,评估AI痕量化管道的性能.
• 为了证明在公共数据集上训练的AI模型可以有效地部署在不同获取设置的机构特定临床数据上,最大限度地减少手工劳动.

主要方法:

• 使用CycleGAN模型,将当地医院的LGE CMR数据翻译成与公共LGE CMR数据集的外观相匹配,从而促进域调整.
• 预先开发的人工智能痕量化管道,包括心肌细分,痕细分和痕负担计算,应用于域调整的本地数据.
• 适应人工智能管道的性能使用Dice相似系数来评估细分精度和Bland-Altman分析对外部测试集上的痕负担偏差.

主要成果:

• 人工智能痕量化管道实现了心肌0.76 ± 0.05和痕0.75 ± 0.32的Dice平均相似系数,与以前的报告相比.
• 在具有病理发现的扫描中,痕细分的性能为0.41±0.12,表明即使在复杂的病例中也可以进行可靠的量化.
• 布兰德-阿尔特曼分析显示,痕负担百分比的平均偏差为-0.62%,同意范围为-8.4%至7.17%,证明了临床适用性.

结论:

• 基于CycleGAN的无监督域调整是部署在公共LGE CMR数据上训练的AI模型的可行方法,用于在本地临床数据上进行痕量化.
• 这种方法成功地弥合了域间的差距,允许人工智能工具在具有不同采集特征的数据上可靠地执行,而不需要额外的手动注释.
• 该研究强调了域调整技术的潜力,以提高AI驱动的心血管图像分析的临床实用性和广泛采用.