相关实验视频
Updated: Jun 11, 2025
09:45
Histological Quantification of Chronic Myocardial Infarct in Rats
Published on: December 11, 2016
14.5K
深度学习细分模型用于量化心肌缺血/再输血的猪心肌梗塞大小
Felix Braczko1, Andreas Skyschally1, Helmut Lieder1
1Institute for Pathophysiology, West German Heart and Vascular Center, University of Duisburg-Essen, Hufelandstr. 55, 45122, Essen, Germany.
Basic research in cardiology
|September 30, 2024
概括
深度学习细分为在临床前心脏保护研究中量化心脏病发作大小 (IS) 提供了一种有效且节省时间的替代方案. 与手工方法相比,这种自动化方法显著减少了量化时间,提高了研究效率.
科学领域:
- 心血管研究研究心血管研究
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 心脏病发作大小 (IS) 是评估临床前缺血/再输血 (I/R) 研究中的心脏保护疗效的关键终点.
- 三四化 (TTC) 染色是IS量化的黄金标准,但通常是手动进行的,这是耗时的.
- 在I/R研究中需要更有效,更客观的IS量化方法.
研究的目的:
- 评估深度学习细分的可行性,作为节省时间和有效的自动化替代手动IS量化.
- 开发和验证一个深度学习模型,用于从I/R实验中在TTC染色心脏切片中准确测量IS.
主要方法:
- 开发了一个使用动态U-Net架构的深度学习管道,用于自动细分心脏病发作区域.
- 来自I/R实验的TTC染色猪心脏切片 (n=3869) 的高分辨率图像用于培训和验证.
- 通过交叉验证和独立测试,使用诸如子相似系数 (DSC),像素精度 (ACC) 和平均精度 (mAP) 等指标来评估模型的性能.
主要成果:
- 深度学习模型表现出强的性能,准确度高 (DSC:0.90,ACC:0.98,mAP:0.90在交叉验证中;DSC:0.89,ACC:0.98,mAP:0.93在测试中).
- 模型量化的IS与手动测量有很好的相关性 (皮尔森r > 0.95),没有显著差异.
- 自动化方法将每次实验的IS量化时间从大约90分钟缩短到20秒.
结论:
- 基于深度学习的心脏病发作大小量化是传统手动方法的有效和非常时间效率的替代方案.
- 这种自动化方法可以显著加快心脏保护和缺血/反损伤的临床前研究.
- 该模型在猪模型和小鼠模型的初步验证中显示出有希望的结果,这表明其广泛适用性.
