整合放射性纹理分析和深度学习,用于在电影MRI中自动检测心肌梗塞

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
• 无线电学和深度学习

背景情况:

• 准确区分心肌梗塞和正常心肌组织对于有效的心肌梗塞 (MI) 诊断和治疗至关重要.
• 无对比心电磁共振 (CMR) 成像对精确的MI检测提出了挑战.

研究的目的:

• 开发和验证一个混合框架,整合放射性纹理分析和深度学习细分,用于在cine-CMR上增强MI检测.
• 提高心脏成像中心肌梗塞评估的准确性和可解释性.

主要方法:

• 一个混合框架,将放射性特征 (GLCM,GLRLM) 与修改后的U-Net深度学习细分网络相结合.
• 一个三个阶段的功能选择管道,然后是机器学习分类.
• 为模型架构整合早期和中期融合策略.

主要成果:

• 与独立的U-Net.相比,混合模型实现了优异的细分性能 (Dice=0.887,IoU=0.803) 和分类准确性 (96.30%,AUC=0.97).
• 关键的放射性特征,如联合度,显示出高的分辨力 (AUC=0.948).
• 在预测和参考心脏病发作大小之间观察到很高的一致性 (r=0.95-0.98).

结论:

• 将放射性特征集成到深度学习细分中,可以显著提高MI在cine-CMR中的检测和解释性.
• 拟议的混合框架具有可扩展性,可解释性,并显示了在心脏成像分析中更广泛应用的潜力.