精确的完全自动评估左心室,左心房和左心房附属部分功能从计算机断层扫描使用深度学习

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 心血管疾病 心血管疾病

背景情况:

• 心脏功能评估对于心血管疾病的诊断和治疗至关重要.
• 精确计算中风体积 (SV) 和射出分数 (EF) 取决于成像衍生体积.
• 计算机断层扫描 (CT) 提供了详细的心脏成像的潜力.

研究的目的:

• 开发一种全自动的深度学习方法,从CT数据计算心脏功能参数.
• 评估不同深度学习模型在细分心脏结构和估计功能的性能.

主要方法:

• 利用39名患者的时间解析CT数据集.
• 使用nnU-Net,3D TransUNet和UNETR.使用左心室 (LV),左心房 (LA) 和左心房附属体 (LAA) 的训练分段模型.
• 使用子相似性得分 (DSS) 和函数参数的类内相关性 (ICC) 进行模型性能比较.

主要成果:

• nnU-Net和3D TransUNet在心脏结构细分方面获得了高的子相似度得分 (分别为0.91和0.89).
• nnU-Net和3D TransUNet都准确地估计了高ICC值的LV和LA功能参数 (SV,EF).
• nnU-Net显示了LAA功能 (LAAEF) 的优异预测,而UNETR表现不佳.
• 与nnU-Net相比,3D TransUNet提供了更快的训练和推断时间.

结论:

• nnU-Net在CT的心脏功能计算方面表现出优于视觉变压器架构的性能.
• 基于CT的完全自动深度学习的心脏功能评估既快速又可靠.
• 这项研究强调了人工智能在改善心血管诊断方面的潜力.