用深度学习为基础的自动细分对自由运行的4D全心CMR进行心脏功能评估

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 心血管成像 - 心血管成像

背景情况:

• 自由运行 (FR) 心脏MRI提供动态的5D成像,但由于数据量和分析复杂性,在临床整合方面面临挑战.
• 目前的细分方法对于FR MRI独特的时空数据是不够的.

研究的目的:

• 开发和验证一个深度学习 (DL) 框架,以对同位素3D+心脏周期FR心脏MRI进行细分.
• 能够对FR心脏MRI数据进行准确,快速和临床上有意义的解剖和功能分析.

主要方法:

• 从bSSFP和GRE收购中重建了5DFR数据集,保留了4D数据集的终止期.
• 利用手动细分的自动传播来训练3D nnU-Net模型,用于细分心室血池和心肌.
• 使用几何,临床和生理一致性指标进行验证,包括所有心脏阶段的数据增强.

主要成果:

• DL方法在不到一分钟的时间内实现了自动细分,具有高几何精度 (DSC:0.86-0.94) 和低体积差异.
• 临床指标显示左心室 (LV) 分析 (ICC > 0.98) 和可靠的RV分析的良好一致性.
• 对所有心脏阶段的训练改善了时间连贯性,心肌体积不匹配率从4.0%降至2.6%.

结论:

• 验证了一种基于DL的方法,用于快速,准确地对全心FR 4D心脏MRI进行细分.
• 在各种协议中表现出强大的性能,支持整合到临床和研究工作流程中.
• 克服了采用自由运行心脏MRI的一个关键障碍.