相关实验视频
Updated: Aug 5, 2026
06:53
3D Whole-heart Myocardial Tissue Analysis
Published on: April 12, 2017
9.3K
一种基于深度学习的全自动心脏MRI细分方法,用于Fallout患者的四分法
Wen-Yen Chai1,2, Gigin Lin1,2,3, Chao-Jan Wang1
1Department of Medical Imaging and Intervention, Chang Gung Memorial Hospital at Linkou, Taoyuan City, Taiwan.
Journal of magnetic resonance imaging : JMRI
|September 8, 2025
概括
深度学习模型在法洛特四分法 (ToF) 中准确地细分心脏MRI. MultiResUNet模型显示了改善ToF患者工作流程效率和疾病监测的潜力.
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
- 医学图像分析 医学图像分析
背景情况:
- 自动心脏MRI细分提供了更好的准确性和可重复性,用于心室功能评估在四重法洛特 (ToF).
- 手动细分是耗时且容易变化的,突出了对自动化解决方案的需求.
研究的目的:
- 评估深度学习 (DL) 模型,用于对ToF患者的左心室 (LV),右心室 (RV) 和LV心肌的自动细分.
- 将DL模型的性能与手册参考标准注释进行比较.
主要方法:
- 一项涉及427名心脏病患者 (122名ToF) 的回顾性研究,使用心脏MRI (1.5/3T cine SSFP).
- 在不同的数据集上训练U-Net,Deep U-Net和MultiResUNet模型,并使用子相似系数 (DSC),交叉点与联盟 (IoU) 和F1-score进行评估.
- 统计分析包括弗里德曼测试,威尔科克森测试和皮尔森的相关性,以评估细分精度和功能参数一致性.
主要成果:
- 在混合数据集上训练的MultiResUNet模型实现了最高的细分性能,LV的DSC为96.1%,RV为93.5%.
- 内部测试显示了高的DSC (例如,LV的97.3%,RV的94.7%) 和功能测量强相关性 (0.84-0.99).
- 外部验证证实了概括性,心室测量的相关性从0.81到0.98.9不等.
结论:
- 该MultiResUNet模型提供精确的自动心脏MRI细分为Fallot的四分法.
- 这种自动化方法有可能简化临床工作流程,并增强对ToF患者的疾病监测.
