深度学习的心肌细分3D全心联合T1/T2映射:nnU-Net和MA-SAM的比较

科学领域:

• 心血管成像 - 心血管成像
• 医学成像中的深度学习
• 心脏MRI分析分析

背景情况:

• 精确对左心室 (LV) 心肌的细分对于评估心血管疾病至关重要.
• 先进的深度学习模型为自动化这一复杂的细分任务提供了潜力.
• 评估模型性能需要对细分精度和计算效率进行比较.

研究的目的:

• 为了比较两种深度学习模型nnU-Net和MA-SAM的性能,用于自动LV心肌细分.
• 为了评估细分的准确性,使用诸如子相似性得分 (DSC),十字路口超过联盟 (IoU) 和豪斯多夫距离 (HD95) 等指标.
• 评估两个模型的计算效率,包括训练和推理时间.

主要方法:

• 利用55名受试者的3D全心T1和T2映射数据 (15名健康者,40名心血管疾病患者).
• 采用了交叉验证策略,包括10个独立的训练运行和5个主题的持久测试集.
• 使用DSC,IoU和HD95评估细分,将模型输出与手动细分进行比较.

主要成果:

• nnU-Net和MA-SAM都实现了可比的细分性能 (nnU-Net DSC:0.91,MA-SAM DSC:0.90;nnU-Net IoU:0.83,MA-SAM IoU:0.82). 这两种系统的分段性能是非常相似的.
• nnU-Net在1.64毫米的较低豪斯多夫距离 (HD95) 与MA-SAM的1.77毫米相比,显示出更高的边界精度.
• nnU-Net的计算效率显著提高,训练时间更短 (5h vs. 9h),推理时间更短 (3.67s vs. 76.67s).

结论:

• nnU-Net和MA-SAM是有效的深度学习模型,用于从3D全心T1/T2映射自动LV心肌细分.
• nnU-Net提供了一个更高效的计算解决方案,而不会影响细分的准确性.
• nnU-Net的卓越效率使其成为心脏MRI分析中临床应用的非常合适选择.