在使用深度学习的短轴心膜MRI中量化心上和心下脂肪组织

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:

• 副心脏脂肪组织 (EAT) 和副心脏脂肪组织 (PAT) 是围绕心脏的关键脂肪储存.
• 从心脏MRI (CMR) 量化EAT和PAT是劳动密集型的,容易出现人为错误.
• 准确的EAT和PAT体积评估对于了解心脏生理和疾病至关重要.

研究的目的:

• 开发和验证深度学习神经网络以实现EAT和PAT的自动细分和量化.
• 在短轴CMR中利用心脏运动信息来提高脂肪量化.
• 在临床实践中克服手动EAT和PAT测量的局限性.

主要方法:

• 设计了一种修改后的U-Net架构,包括多分辨率卷积,运动提取,特征融合和双重注意力模块.
• 为了评估网络中的每个模块的贡献,进行了废弃研究.
• 拟议网络的性能与基线U-Net和其他网络变化进行了比较.

主要成果:

• 最终的深度学习模型实现了EAT (迪斯指数77.72%±2.53%) 和PAT (迪斯指数77.18%±3.54%) 的高细分精度.
• 开发的网络显著超过了基线U-Net和其他比较网络.
• 该模型与参考体积有很强的相关性,EAT的确定系数为0.8550,PAT的确定系数为0.8025.

结论:

• 拟议的深度学习网络可以从标准短轴CMR中准确和快速量化EAT和PAT.
• 这种自动化方法有可能帮助心脏病学家做出临床决策.
• 该方法提供了可靠的替代手工量化,提高了效率和一致性.