相关实验视频
Updated: Jun 13, 2025
06:53
3D Whole-heart Myocardial Tissue Analysis
Published on: April 12, 2017
8.7K
用三维深度学习细分模型在Fallot四分法修复的患者中进行自动化双心脏量化
Sofie Tilborghs1, Tiffany Liang2, Stavroula Raptis2
1Department of Electrical Engineering, Division of Processing Speech and Images (ESAT/PSI), KU Leuven, Leuven, Belgium; Medical Imaging Research Center, UZ Leuven, Leuven, Belgium.
概括
一个新的深度学习模型准确地量化了Fallot (TOF) 四重律修复的患者的心脏功能. 与商业软件相比,这种先进的心血管磁共振 (CMR) 工具显示出优越的右心室 (RV) 量化,有助于临床实践.
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:
- 深度学习模型在标准心脏细分方面表现出色,但与诸如法洛特四重律 (TOF) 等先天性心脏缺陷作斗争.
- 在正常或获得的心脏病数据上训练的现有模型不适合TOF患者独特的解剖变异.
- 需要专门的深度学习模型来准确评估TOF幸存者的心脏功能.
研究的目的:
- 开发和验证一个专门的深度学习模型,用于精确的左心室 (LV) 和右心室 (RV) 细分和量化,用于修复过的TOF患者.
- 在患有先天性心脏病的个体中,改善心腔和心肌测量的准确性.
- 评估开发模型的性能与用于临床实用性的商业软件相比.
主要方法:
- 一个3D卷积神经网络 (CNN) 在正常/获得心脏病理和TOF患者的混合数据集上使用5倍交叉验证方法进行训练.
- 该模型结合了灵活性来处理缺失的标签,用于终止腹痛 (ED) 和终止心痛 (ES) 阶段,在TOF中常见.
- 最好的模型应用于TOF测试集,自动确定ED/ES阶段并与商业软件 (suiteHEART®) 进行比较.
主要成果:
- 在混合数据集上的训练提高了性能,在LV (93.8% ED,89.8% ES) 和RV (92.9% ED,90.9% ES) 腔中获得了高的子相似系数.
- 精确的LV (80.9%) 和RV (61.8%) 心肌的细分在ED时实现.
- 该模型展示了与商业软件相比较的LV量化,但在RV腔量化方面表现明显优于它 (12毫升对36毫升平均绝对误差).
结论:
- 一种完全自动的深度学习方法用于LV和RV的细分和量化,包括RV质量,已成功开发和验证用于修复的TOF患者.
- 与现有的商业软件相比,开发的模型提供了优越的RV量化准确性.
- 这种方法具有显著的潜力,可以改善TOF修复的个体的临床管理和患者护理.
