平均肺动脉压力预测可解释的多视图心血管磁共振电影系列深度学习模型
Li-Hsin Cheng1, Xiaowu Sun1, Charlie Elliot2
1Division of Image Processing (LKEB), Department of Radiology, Leiden University Medical, Center, the Netherlands.
概括
深度学习模型可以通过心脏磁共振 (MR) 图像进行非侵入性估计肺高血压 (PH) 血液动力学参数. 这种方法识别了关键的成像特征,为侵袭性右心导管治疗 (RHC) 提供了有价值的替代方案.
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
- 肺高血压研究 肺高血压研究
背景情况:
- 肺高血压 (PH) 是一种严重影响生存的疾病,诊断依赖于侵入性右心导管治疗 (RHC).
- 对于PH而言,一种非侵入性诊断方法对于临床实践来说是非常可取的.
- 心脏磁共振成像 (MR) 提供了非侵入性血液动力学评估的潜力.
研究的目的:
- 开发和验证一种深度学习模型,用于从心脏MR数据中对RHC参数进行非侵入性估计.
- 确定有助于预测平均肺动脉压力 (mPAP) 的关键成像特征.
主要方法:
- 一个可解释的卷积神经网络 (CNN) 是使用心脏MR电影系列从四个视角开发的.
- 该模型在1646名患者的检查中进行了训练和评估.
- 使用注意力权重和像素扰动来确定特征的重要性,专注于心脏腔和视图.
主要成果:
- 在预测mPAP时,CNN模型取得了强烈的相关性 (Pearson r=0.80) 和解释差异 (R2=0.64).
- 在短轴视图中的右心室区域被确定为预测的特别有信息的区域.
- 可解释性分析突出了影响模型预测的关键心脏结构.
结论:
- 深度学习模型可以使用心脏MRI成像来准确估计肺高血压的血液动力学参数.
- 开发的CNN方法为关键的成像特征提供了有价值的见解,增强了诊断理解.
- 这种非侵入性方法有望改善PH的临床管理.
