合成纤维化分布用于数据增强,用于预测心房移移除结果:一项in silico研究

科学领域:

• 医疗成像医学成像
• 计算生物学 计算生物学
• 人工智能的人工智能

背景情况:

• 心脏纤维化对于心房动 (AF) 的进展和除成功至关重要.
• 晚期加多增强 (LGE) MRI可视化纤维化,但深度学习 (DL) 模型训练数据有限.
• 真实患者数据的稀缺性阻碍了开发可靠的DL管道来预测AF切除结果.

研究的目的:

• 在DL模型中生成合成心脏纤维化分布用于数据增强.
• 改进AF预测结果的培训数据集中捕获的多样性和患者变异性.
• 为了提高DL管道的预测性能,用于AF消去策略.

主要方法:

• 一个否定扩散概率模型从100个真实病例中生成了合成LGE-MRI纤维化分布.
• 合成分布从统计形状模型中集成到1000个双心房网格中.
• 在这些网格上模拟了切除前后的AF情节,以创建用于DL训练的扩展数据集.

主要成果:

• 合成纤维化分布与实体LGE-MRI数据在强度和度方面非常相匹配.
• 对AF的生物物理模拟成功地在带有合成纤维化的网格上进行.
• 在合成数据上训练的DL模型实现了与在真实数据上训练的模型相比的性能 (ROC-AUC 0.952与0.943).

结论:

• 合成纤维化分布作为DL的有效数据增强工具.
• 这种方法可以提高AF消去策略结果的分类准确性.
• 该方法为AF治疗策略的快速和精确评估提供了潜力.