提高了基于深度学习的多中心心肌输液MRI数据集的细分,使用数据适应性不确定性导向的时空分析进行基于深度学习的稳定性

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:

• 对心肌输液MRI的全自动分析对于在怀疑缺血性心脏病时客观报告压力/休息研究至关重要.
• 开发强大的深度学习 (DL) 模型用于多中心MRI数据集,由于软件和硬件的差异,因此存在挑战.
• 现有的DL技术在与来自不同采集协议和扫描仪供应商的数据异质性作斗争.

研究的目的:

• 开发和评估一种新的DL方法,用于对心肌 perfusion MRI 数据集进行可靠的细分.
• 为了提高跨多中心,多供应商和多协议MRI数据的自动化分析的准确性和可靠性.
• 为了解决当前DL方法在处理脉冲序列和扫描器硬件变化的局限性.

主要方法:

• 一个数据适应性不确定性引导的时空 (DAUGS) 分析方法是使用一个 U-Net 架构的深度神经网络 (DNN) 池开发的.
• 时空滑动补丁分析生成了像素智能的不确定性地图,用于从DNN池中选择最佳分段结果.
• DAUGS方法在内部数据集上进行了训练和验证,并在两个外部数据集上进行了测试,脉冲序列和扫描仪供应商的变化.

主要成果:

• 在DAUGS分析中,内部数据集的性能与已确定的方法相匹配 (Dice分数:0.896 ± 0.050).
• 在外部数据集上,DAUGS显著优于既定方法 (exD-1 Dice: 0.885 ± 0.040; exD-2 Dice: 0.811 ± 0.070).
• 与既定方法相比,拟议的方法大大减少了细分失败 (4.3%与17.1%相比).

结论:

• 该DAUGS分析方法显示了显著的潜力,以提高基于DL的分段的稳定性多中心心肌 perfusion MRI.
• 这种方法有效地处理脉冲序列,站点位置和扫描仪供应商的变化,从而实现更可靠的自动化分析.
• 在临床环境中,DAUGS提供了一个有前途的解决方案,用于在不同成像数据的临床环境中实现一致和准确的心肌细分.