基于深度学习的自动左心房细分和实时相对照MRI在心房的患者的流量量化

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
• 医学图像分析 医学图像分析

背景情况:

• 实时二维相位对比 (RTPC) MRI对于量化心房动 (AF) 患者的血流至关重要.
• 传统分析涉及耗时的左心室 (LA) 手动轮,跨越多个心脏时间框架.
• 这种手动过程在临床工作流程和研究中构成了瓶.

研究的目的:

• 开发和验证一个卷积神经网络 (CNN) 用于完全自动化的LA流量量化使用RTPCMRI数据.
• 与半人工方法相比,评估CNN在轮和流量测量的准确性和可靠性.
• 在AF患者的背景下评估CNN的表现,考虑到心率变化.

主要方法:

• 一个CNN在15307个半手动LA轮上进行了训练和验证,这些轮来自44名AF患者的RTPCMRI扫描.
• 性能使用子得分 (DSC) 和豪斯多夫距离 (HD) 来评估轮准确度.
• 流量量化指标,包括静止,速度和净流量,与半人工分析进行了比较.

主要成果:

• 美国有线电视新闻网 (CNN) 获得了与人类观察者之间的变异性 (0.90对0.93) 和4.6毫米的 Hausdorff 距离中位数相当的 Dice 得分.
• 在AF患者中,心率变化没有显著影响轮质量.
• 基于CNN的流量量化显示出与半人工方法的良好一致 (r > 0.90),平均速度,静止和净流量偏差最小.

结论:

• 开发的CNN使得在AF患者的RTPCMRI中实现可行和准确的自动化LA流量量化.
• 人工智能方法可以节省大量的时间,而不会影响轮或流量测量的质量.
• CNN对心跳变化的适应性使其成为AF管理中临床应用的强大工具.