开源的临床前图像细分:小鼠心脏MRI数据集与深度学习细分框架
Wan Shah1, Daniel J Stuckey2, Tina Yao3
1UCL Centre for Translational Cardiovascular Imaging, Institute of Cardiovascular Science, University College London, London, UK; UCL Centre for Advanced Biomedical Imaging, University College London, London, UK.
概括
我们开发了一个开源的深度学习模型,用于小鼠心脏MRI细分,实现高精度和速度. 这通过提供可重复的基准来加速临床前心血管研究.
科学领域:
- 心血管成像 - 心血管成像
- 医学图像分析 医学图像分析
- 临床前研究 临床前研究
背景情况:
- 在小鼠心脏MRI的手动细分是耗时和可变的.
- 现有的深度学习模型无法对临床前心脏MRI数据进行概括.
- 缺乏公共数据集和模型阻碍了大规模的临床前研究.
研究的目的:
- 提出第一个公开可用的临床前心脏MRI数据集.
- 开发和发布一个开源的深度学习分段模型,用于小鼠心脏MRI.
- 建立一个临床前心脏MRI分析的基准.
主要方法:
- 创建了一个数据集的短轴心脏MRI从130个小鼠与不同的表型在9.4T.
- 包括专家手动对左心室血池和心肌的细分.
- 开发了一个基于开源UNet3+的深度学习模型用于细分.
- 在不同场强度 (7T,9.4T,11.7T) 的内部和外部测试数据集上评估模型.
主要成果:
- 深度学习模型在每片电影堆中实现了4.6秒的细分,比手动分析快6000倍以上.
- 高细分精度,对血液池和心肌的Dice分数≥0.91.
- 功能参数的优异一致性 (ICC ≥0.89),与人类观察者之间的变异性相比较.
结论:
- 提供了第一个开放访问的小鼠心脏MRI数据集和开源DL模型.
- 本资源为临床前心脏MRI建立了一个基准.
- 能够实现可复制,可扩展和社区驱动的开发,以加速心血管研究.
