一个混合注意力网络,用于光鲜血液心肌T2*MRI放松计在thalassemia中的自动化腹腔间隔膜细分
Xiaofeng Wu1, Hangyu Wang1, Zeluan Chen1
1School of Biomedical Engineering, Southern Medical University, Guangzhou 510000, China (X.W., H.W., Z.C., S.S., Z.L., X.Z., Y.F.); Guangdong Provincial Key Laboratory of Medical Image Processing & Guangdong Province Engineering Laboratory for Medical Imaging and Diagnostic Technology, Southern Medical University, Guangzhou 510000, China (X.W., H.W., Z.C., S.S., Z.L., X.Z., Y.F.); Guangdong-Hong Kong-Macao Greater Bay Area Center for Brain Science and Brain-Inspired Intelligence & Key Laboratory of Mental Health of the Ministry of Education, Southern Medical University, Guangzhou 510000, China (X.W., H.W., Z.C., S.S., Z.L., X.Z., Y.F.).
一种新的深度学习方法在MRI扫描中准确地细分了室间隔膜. 这有助于精确测量心脏铁含量,改善非侵入性监测.
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
- 血液学 血液学 血液学
背景情况:
- thalassemia患者经常经历心脏铁过载,这是发病率和死亡率的主要原因.
- 准确评估心肌铁沉积对于及时治疗和改善患者结果至关重要.
- 目前用于评估心脏铁的方法,如T2*MRI,需要精确细分心脏结构.
研究的目的:
- 开发和验证一种基于深度学习的,用于心脏MRI中腹腔隔膜 (IS) 的自动细分方法.
- 利用自动化IS细分来测量心肌T2*值,并估计心脏铁沉积在血病患者.
- 评估与手动细分相比,深度学习方法的准确性和一致性及其对T2*测量的影响.
主要方法:
- 一项回顾性研究涉及419名血病患者和心脏MRI扫描.
- 开发一个深度学习细分网络 (MA-BBIsegNet),在1.5T图像上进行训练,并在各种数据集上进行评估,包括3.0T图像.
- 使用Dice分数,布兰德-阿尔特曼分析,变化系数 (CoV) 和回归分析进行性能评估,以比较自动和手动细分和T2*测量.
主要成果:
- MA-BBIsegNet获得了高的子得分:0.90 (内部),0.85 (外部) 和0.81 (CHMMOTv1数据集).
- 从自动细分获得的T2*测量结果与手动测量结果有很强的一致性,平均差异和Cov差异很小 (例如,内部8.9%,外部6.8%).
- 回归分析表明自动和手动T2*值之间有很好的相关性 (r=0.98-0.99),表明了高可靠性.
结论:
- 开发的深度学习网络 (MA-BBIsegNet) 能够在明亮血MRI中准确和自动地细分室间隔膜.
- 自动化细分方便可靠的T2*量化,显示与手动测量有很强的一致性.
- 这种方法提供了一个有前途的工具,用于高效,非侵入性监测心肌铁沉积在血病患者.
相关概念视频
Imaging Studies for Cardiovascular System IV: CMRI
Magnetic Resonance Imaging


