在个性化心脏模型中用于痕重建的弱监督学习:2D MRI与3D解剖模型的整合
Ahmet Sen1, Ursula Rohrer1, Pranav Bhagirath1
1King's College London, School of Biomedical Engineering & Imaging Sciences, London, United Kingdom.
Computers in biology and medicine
|October 30, 2025
概括
这项研究引入了一个深度学习框架,可以从低分辨率的MRI扫描中准确地重建心脏痕区域. 这种新的方法改善了针对患者的具体建模,以更好地评估心律失常风险和治疗规划.
科学领域:
- 心血管成像和建模
- 计算电生理学 计算电生理学
- 人工智能在医学中的应用
背景情况:
- 精确的心肌痕重建对于评估心律失常风险和指导电生理学治疗至关重要.
- 目前晚期的加多增强心脏MRI (LGE-CMR) 方法具有较低的切片间分辨率,限制了痕形态的准确性.
- 针对患者的3D计算模型需要精确的痕数据来进行可靠的电活动模拟.
研究的目的:
- 开发和评估一个深度学习 (DL) 框架,用于从稀疏的LGE-CMR数据中准确地重建心肌痕.
- 为了提高痕形态表征的准确性,用于患者特定的心脏建模.
- 纳入不确定性估计和解剖学约束,以提高重建保真度.
主要方法:
- 开发了一个基于坐标的DL插值框架,使用一个带有隐藏和丢弃层的神经网络.
- 该框架使用3D解剖坐标和自定义损失函数来执行空间约束进行了训练.
- 蒙特卡洛脱落被用于不确定性估计,特别是用于边境区域预测.
- 该方法在临床前和临床左心室 (LV) 模型上得到了验证,其痕复杂性各不相同.
主要成果:
- 在痕细分精度和体积差异方面,DL框架显著优于Log-Odds方法.
- 使用不确定性估计的DL模型实现了0.83的子相似系数 (DSC),并将体积误差最小化至-2.72%.
- 不确定性意识培训改善了健康和痕组织之间的边界区域的预测,在传统方法显示高误差的地方.
结论:
- 基于深度学习的插值有效地从低分辨率的LGE-CMR中重建心肌痕区域,增强患者特定的计算心脏模型.
- 拟议的方法提供了更准确和临床相关的痕形态表征,改善风险分层和治疗规划.
- 纳入不确定性估计和解剖学约束对于在心脏电生理学中进行强大可靠的痕重建至关重要.
