创伤网:一种自动化心肌痕量测量的新型基础模型

科学领域:

• 心血管成像
• 医学的人工智能
• 医学图像分析

背景情况:

• 晚期加多增强成像 (LGE) 对于评估心肌纤维化和预测心脏事件至关重要.
• 目前基于LGE的痕量化受到手动细分和观察者之间的变异性限制.

研究的目的:

• 在LGE图像中开发和验证心肌痕细分的自动化深度学习模型ScarNet.
• 提高痕量化的准确性和效率,以便更好地预测主要心脏不良事件 (MACE).

主要方法:

• 开发了ScarNet,集成了一个基于变压器的编码器 (MedSAM) 和一个带有注意力块的U-Net解码器.
• 在401名缺血性心肌病患者 (4,137张图像) 的大型数据集上训练和微调ScarNet.
• 在100名患者和184名患者的独立队列中验证和测试ScarNet.

主要成果:

• 与MedSAM和nnU-Net相比,ScarNet实现了优越的痕边界细分 (DICE=0.912,CCC=0.963).
• 与手动痕体积定量 (CCC=0.995) 非常一致,准确度高 (灵敏度=95.3%,特异性=92.3%).
• 在蒙特卡洛模拟中,ScarNet对噪声干扰的敏感性降低.

结论:

• 在LGE成像中,ScarNet显著优于MedSAM和nnU-Net等现有模型.
• 该模型对噪声的强度和高准确性表明它有可能在心脏评估中常规临床使用.