使用3D CNN对左心室射出小部分的无分割估计是可靠的,并且随着多个心脏MRI影像定向的结合,它得到了改善

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 左心室喷射率 (LVEF) 是心脏功能的一个关键指标.
• 从心脏MRI估计LVEF的传统方法往往需要手动的轮跟踪,这是耗时且依赖于操作者的.
• 深度学习方法,特别是3D卷积神经网络 (3D-CNNs),为自动化和高效的LVEF评估提供了潜力.

研究的目的:

• 评估经典3D-CNNs在估计电影MRI的LVEF中的有效性.
• 调查结合各种 cine-MR 定位平面对 LVEF 估计准确性的影响.
• 为了确定LVEF是否可以在不需要心室轮细分的情况下可靠地估计.

主要方法:

• 分析了来自1082名患者的电影MRI数据.
• 来自CVI42软件的LVEF估计与各种3D-CNN模型的比较.
• 使用长轴和短轴定向平面的组合,包括将多个视图粘贴到复合框架中.
• 149名患者的内部验证和62名来自其他机构的患者的外部验证.

主要成果:

• 3D-Resnet18架构显示出最好的性能.
• 结合多个方向平面 (两个长轴,六个短轴) 显著改善了结果.
• 实现了R2 = 0.83,MAE = 4.97,RMSE = 6.29对于LVEF估计而言.
• 对于LVEF分类的高AUC值 (0.99对于<40%,0.97对于>60%).
• 外部验证显示,可比的MAE值为6.59.

结论:

• 与多个定向平面相结合的3D-CNNs可以在没有轮追踪的情况下,可靠地从电影MRI中估计LVEF.
• 增加方向平面的数量可以提高左心室视图的完整性,并提高估计性能.
• 开发的方法显示了与传统技术和当前基于CNN的方法相比有希望的结果.