深度学习R波检测用于心电图门在心脏MRI中的心脏MRI
Amin Mahmoodi1,2, Melina Hosseiny3, Vladimir Ermakov3
1Shu Chien-Gene Lay Department of Bioengineering, University of California-San Diego, La Jolla, Calif.
Radiology. Cardiothoracic imaging
|November 6, 2025
概括
卷积神经网络 (CNN) 能够有效地检测心电图 (ECG) 门中的R波,从而减少错误,特别是在3.0T时.这种深度学习方法可以提高心电图门和心脏MRI的质量.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 心血管成像 - 心血管成像
背景情况:
- 电心电图 (ECG) 关门对于高质量的心脏MRI至关重要.
- 核磁共振诱导的物体,特别是3.0 T,可能导致心电图关口错误.
- 传统的信号处理算法可能会与充满文物的心电图信号作斗争.
研究的目的:
- 在1.5 T和3.0 T的影像心脏MRI中量化ECG-gating错误频率.
- 评估卷积神经网络 (CNN) 在减少这些错误方面的有效性.
主要方法:
- 120名心脏MRI患者 (1.5T和3.0T) 的心电图跟踪和外部数据集的回顾性分析.
- 手动R波注释用于确定心律失常和心电图隔离错误频率.
- 开发和测试用于R波检测的CNN,与VCG门和汉密尔顿算法进行比较.
主要成果:
- 在1.5T的8.1%的患者和在3.0T的15.2%的患者中发生了ECG导入错误.
- 在F1中,CNN的得分高于VCG (1.5T) 和汉密尔顿算法 (3.0T).
- 与汉密尔顿算法相比,CNN在3.0T时显示出明显较低的假阳性率.
结论:
- 在心脏MRI中,CNN为R波检测提供了强大的解决方案,减轻了MRI诱导的文物.
- 使用CNN可以显著提高心电图门的准确性,并改善整体心脏MRI图像质量.
- 深度学习方法有望改善回顾性心脏MRI重建和质量.
