自动心脏MRI分析用于对小鼠心力衰竭模型进行可靠的分析
Thulaciga Yoganathan1, Matt Sooknah2, Baby Martin-McNulty2
1Calico Life Sciences LLC, 1170 Veterans Blvd, South San Francisco, CA, 94080, USA. thulacigayoganathan@calicolabs.com.
Scientific reports
|December 3, 2025
概括
一个新的心脏MRI协议和深度学习分析显著改善了心力衰竭研究. 这种方法在临床前模型中提供了更快,更准确的心脏功能评估,有助于理解心力衰竭与保存的射出分数.
科学领域:
- 心血管研究研究心血管研究
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 保存喷射分数 (HFpEF) 的心力衰竭是一种复杂的,与年龄相关的疾病,治疗选择有限.
- 目前的临床前研究面临挑战,原因是耗时的心脏MRI协议和手动分析中观察者之间的高变异性.
- 更好地了解HFpEF机制和改进的诊断工具至关重要.
研究的目的:
- 为临床前HFpEF研究开发和验证一个优化的,高通量,无对比的心脏MRI协议.
- 实施基于深度学习的自动化分析管道,用于心脏细分和量化.
- 为了使心脏重塑和功能的高效和标准化的表型化.
主要方法:
- 优化了一个全面的非对比心脏MRI协议,以快速获取 (约. 7分钟为12个切片).
- 集成的电影动脉旋转标签 (ASL) 用于心肌 perfusion 映射和 dobutamine 压力测试.
- 开发并应用3D卷积神经网络 (CNN) 来自动细分和量化心脏功能.
主要成果:
- 优化方案在HFpEF小鼠模型中成功检测出显著的心肌 perfusion 减少.
- 深度学习管道在心脏参数量化方面表现出高准确性 (Dice > 0.9) 和可重复性 (ICC > 0.95).
- 细微的透析异常被确定,即使在喷射小部分没有明显的变化.
结论:
- 开发的综合管道为临床前心血管研究提供了一种高效可靠的工具.
- 这种方法有助于更深入地了解HFpEF进展和心脏重塑.
- 标准化,自动化分析在HFpEF模型中提高了心脏MRI研究的质量和吞吐量.
