一种基于深度学习的新方法用于心肌菌株量化

科学领域:

• 心脏病学 心脏病学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 心肌应变分析对于诊断心脏病理至关重要.
• 目前用于菌株分析的方法可能是计算密集的,并且在准确度上有所不同.
• 深度学习为提高心脏应变量化的效率和准确性提供了一个潜在的途径.

研究的目的:

• 通过心磁共振 (CMR) 图像引入和验证一种用于心肌应变和应变率分析的新型深度学习方法.
• 评估该方法在区分健康受试者和患有各种心脏病理的患者之间的有效性.
• 将深度学习方法的性能与已建立的非参数注册技术进行比较.

主要方法:

• 开发了一种深度学习方法,以在cSAX CMR图像中识别感兴趣的区域 (ROI) 和细分心脏结构 (左心室,右心室,心肌).
• 预计心肌运动可以计算心脏坐标系内的全球和区域应变.
• 该方法在三个数据集 (ACDC,CMAC,SSC) 上得到验证,包括健康对照组和急性心肌梗塞,扩张性心肌病 (DCM) 和多变性心肌病 (HCM) 的患者.
• 细分精度是使用子系数和豪斯多夫距离来评估的,而运动精度是通过绝对终点误差来评估的.

主要成果:

• 深度学习方法准确量化了心肌应变和应变率,揭示了不同心脏病状况的独特模式,具有统计学意义.
• 分段和运动精度与代非参数注册方法相比.
• 该方法证明了估计区域菌株值的能力.
• 歧视分析显示,健康和病态人群之间的菌株和菌株率存在显著差异.

结论:

• 拟议的深度学习方法是用于心脏应变分析的强大工具,提供与最先进技术相匹配的结果.
• 该方法比传统方法提供了计算效率优势.
• 这种技术有望通过精确和高效的菌株量化来改善心脏病的诊断和管理.