电影心磁共振细分使用时间空间适应提示启用细分-任何模型:一个可行性研究
Zhennong Chen1, Sekeun Kim1, Hui Ren1
1From Center for Advanced Medical Computing and Analysis, Massachusetts General Hospital and Harvard Medical School, Boston, Massachusetts, USA.
概括
我们适应了Segment Anything Model (SAM) 用于心血管磁共振 (CMR) 分段,在未见的数据上实现了高精度和概括,以改进心脏分析.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 心血管成像 - 心血管成像
背景情况:
- 心血管磁共振 (CMR) 分段对心脏功能评估至关重要.
- 现有的深度学习模型往往在各种数据集的概括方面扎.
- 调整基础模型为强大的医疗图像细分提供了一个有希望的途径.
研究的目的:
- 为自动化电影CMR细分适应细分任何模型 (SAM).
- 在未见的数据集上评估适应模型的概括性能.
- 开发一种模型,cineCMR-SAM,能够在不同的心脏视图和病理上准确细分.
主要方法:
- 通过对电影CMR数据集微调SAM并使用时空注意力机制来开发cineCMR-SAM.
- 结预训练的SAM重量,以提高其通用性.
- 嵌入文本和框提示,用于视图规范和区域指导.
- 在公共和内部数据集上进行评估,包括有大动脉狭窄和心力衰竭与保留射出分数 (HFpEF) 的患者.
主要成果:
- 在公共和内部数据集上实现了卓越的概括,左心室 (LV) 的Dice得分高达0.94,心肌高达0.86.
- 从自动和手动细分中获得的临床参数之间显示出强烈的相关性 (r ≥0.90).
- 通过结合使用文本和框提示符,显示了增强的细分精度.
结论:
- cineCMR-SAM有效地适应了SAM用于电影CMR细分.
- 该模型在未见的数据集上展示了高通用性和卓越的准确性.
- 这种方法有可能在临床实践中实现可靠的自动心脏细分.
