训练图像质量的影响与基于人工智能的LGE-MRI图像细分的新协议,用于潜在的心房动管理

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 计算生物学 计算生物学

背景情况:

• 心房动 (AF) 是一种常见的心律失常,在导管切除后复发率很高.
• 目前用于预测切除结果的in silico模型需要准确的患者特异性心房数据.
• 心脏MRI,特别是晚期加多增强MRI (LGE-MRI),提供了关键的解剖信息.

研究的目的:

• 为LGE-MRI数据开发一个自动化的深度学习细分管道.
• 为了提高AF患者左心室 (LA) 3D模型的准确性和效率.
• 为了尽量减少临床医生的手动细分负担.

主要方法:

• 采集并使用标准化协议手动标记LGE-MRI数据.
• 评估了深度学习模型 (nnU-Net,smpU-Net++) 的细分性能.
• 使用RIFE模型进行LGE-MRI归算,并通过统计测试评估性能.

主要成果:

• 在LA腔 (92.4%) 和墙壁 (64.5%) 细分方面取得了高的子系数.
• RIFE模型的归算获得了89.1%的Dice得分,超过了经典方法.
• 通过标准化的协议,神经网络性能得到了显著的提升.

结论:

• 标准化标签协议和RIFE显著改进了用于3D LA模型构建的机器学习工具.
• 这种方法提高了in silico管道的效率,用于预测AF剥离结果.
• 促进了先进机器学习的集成,以实现个性化的AF治疗.