基于深度学习的T1和T2心脏MRI图的细分,用于自动检测疾病
Andreea Bianca Popescu1,2, Andreas Seitz3, Mathias Becker3
1Department of Automation and Information Technology, Transilvania University of Brasov, Brasov, Romania. andreea.popescu@unitbv.ro.
European radiology
|November 1, 2025
概括
深度学习 (DL) 提高了心脏T1/T2地图细分的准确性,与人类观察者协议相匹配. 机器学习 (ML) 结合统计特征,增强了超越单一切断的疾病检测.
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
- 量化MRI是指数量化的MRI.
背景情况:
- 参数组织映射提供了对心脏组织的定量表征.
- 手动划分T1/T2地图受到观察者之间的变异性限制,过度简化了心肌复杂性.
- 使用平均放松值和单个切断值的传统诊断方法可能无法完全捕捉心肌异质性.
研究的目的:
- 评估深度学习 (DL) 对心脏T1/T2地图细分的准确性与观察者之间的协议相比较.
- 探索心脏分析中超出平均T1/T2值的统计特征的实用性.
- 评估结合多个基于强度的统计特征的机器学习 (ML) 是否可以提高心脏病检测.
主要方法:
- T1和T2地图被手动细分,其中一个测试子集由两个观察者独立注释,以评估观察者之间的变异性.
- 一个DL模型被训练为左心室血池和心肌细分.
- 统计特征 (平均值,下四分位数,中位数,上四分位数) 为心肌像素计算,并通过切断或ML用于分类.
主要成果:
- DL细分模型实现了85.4%的子相似系数 (DICE),超过了观察者之间的协议.
- 使用具有所有统计特征的随机森林的机器学习 (ML) 将F1得分提高到92.7% (p < 0.001).
- DL模型在观察者之间达成一致的情况下证明了细分精度,ML改善了疾病检测.
结论:
- 深度学习 (DL) 促进了T1/T2地图的高效准确细分,减少了观察者之间的变化.
- 将多个统计特征与机器学习 (ML) 结合起来,与传统的单一切断方法相比,显著改善了心脏病检测.
- 自动细分和特征提取提高了心脏成像工作流程效率和诊断一致性.
