Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Một quy trình học sâu cho phân tích tự động đa quét cộng hưởng từ tim mạch
Tóm tắt
Các chuỗi cộng hưởng từ tim mạch (CMR) thường được sử dụng để có được mô tả đầy đủ về chức năng và cấu trúc của tim, với điều kiện rằng các phép đo chính xác được trích xuất từ hình ảnh. Các phương pháp mới để trích xuất thông tin đang được phát triển, trong đó, các mạng nơ-ron sâu là công cụ mạnh mẽ cho thấy khả năng thực hiện phân đoạn nhanh chóng và chính xác. Để giảm thời gian mà các bác sĩ phải dành cho việc xử lý dữ liệu và tối thiểu hóa biến thể nội tại và giữa các quan sát viên, chúng tôi đề xuất một quy trình phân tích hình ảnh CMR tự động hoàn toàn cho đa quét. Các mô hình U-Net 2D theo chuỗi đã được đào tạo để thực hiện phân đoạn của tâm thất trái (LV), tâm thất phải (RV) và động mạch chủ trong các chuỗi hình ảnh cine ngắn trục, tăng cường gadolinium muộn (LGE), bản đồ T1 tự nhiên, T1 sau tương phản, bản đồ T2 tự nhiên và các chuỗi dòng chảy động mạch theo nhu cầu. Các mô hình đã được đào tạo và thử nghiệm trên một tập dữ liệu được phân đoạn thủ công bởi các chuyên gia sử dụng các công cụ bán tự động và thủ công. Một tập hợp các thông số đã được tính toán từ các phân đoạn thu được như phân suất tống máu tâm thất trái và phải (EF), tỷ lệ sẹo LGE, giá trị T1 trung bình, T1 sau, T2 trong cơ tim, và dòng chảy động mạch. Hệ số tương đồng Dice, khoảng cách Hausdorff, khoảng cách bề mặt trung bình và hệ số tương quan Pearson R đã được sử dụng để đánh giá và so sánh kết quả của quy trình dựa trên U-Net với biến thể nội tại. Ngoài ra, quy trình cũng đã được xác thực trên hai nghiên cứu lâm sàng. Các mô hình U-Net 2D theo chuỗi đã được đào tạo đã đạt được phân đoạn nhanh (≤ 0.2 giây/hình trên GPU) và chính xác trên tất cả các khu vực quan tâm được mục tiêu với các điểm số Dice cao (= 0.91 cho LV, = 0.92 cho RV, = 0.93 cho động mạch chủ trung bình) có thể so sánh với các điểm số Dice nội tại (= 0.86 cho LV, = 0.87 cho RV, = 0.95 cho dòng chảy động mạch chủ trung bình). Các thông số được tính toán tự động và thủ công có sự tương quan cao (R = 0.91 trung bình) cho thấy kết quả vượt trội hơn so với biến thể nội tại (R = 0.85 trung bình) cho mọi chuỗi được trình bày ở đây. Quy trình được đề xuất cho phép phân tích nhanh chóng và đáng tin cậy của các nghiên cứu CMR lớn trong khi đảm bảo khả năng tái lập, do đó có khả năng cải thiện chẩn đoán bệnh nhân cũng như kết quả nghiên cứu lâm sàng.
Từ khóa
#cộng hưởng từ tim mạch #phân tích hình ảnh tự động #mạng nơ-ron sâu #phân đoạn tim #Ejection Fraction #nghiên cứu lâm sàngTài liệu tham khảo
Miller DD, Brown EW. Artificial intelligence in medical practice: the question to the answer? The American journal of medicine. 2018;131(2):129–33.
Litjens G, Kooi T, Bejnordi BE, Setio AAA, Ciompi F, Ghafoorian M, Van Der Laak JA, Van Ginneken B, Sanchez CI. A survey on deep learning in medical image analysis. Med Image Anal. 2017;42:60–88.
Becker AS, Marcon M, Ghafoor S, Wurnig MC, Frauenfelder T, Boss A. Deep learning in mammography: diagnostic accuracy of a multipurpose image analysis software in the detection of breast cancer. Invest Radiol. 2017;52(7):434–40.
Marchesseau S, Ho JX, Totman JJ. Influence of the short-axis cine acquisition protocol on the cardiac function evaluation: a reproducibility study. Eur J Radiol Open. 2016;3:60–6.
Bernard O, Lalande A, Zotti C, Cervenansky F, Yang X, Heng P-A, Cetin I, Lekadir K, Camara O, Ballester MAG, et al. Deep learning techniques for automatic mri cardiac multi-structures segmentation and diagnosis: Is the problem solved? IEEE Trans Med Imaging. 2018;99:1.
Ronneberger O, Fischer P, Brox T. U-net: Convolutional networks for biomedical image segmentation. In: International conference on medical image computing and computer-assisted intervention. Berlin: Springer; 2015. p. 234–241.
McAlindon E, Pufulete M, Lawton C, Angelini GD, Bucciarelli-Ducci C. Quantification of infarct size and myocardium at risk: evaluation of different techniques and its implications. EHJ-CVI. 2015;16(7):738–46.
Heiberg E, Markenroth Bloch K, Arheden H. Validation of free software for automated vessel delineation and mri flow analysis. J Cardiovasc Magn Reson. 2007;9(2):375–375.
Baumgartner CF, Koch LM, Pollefeys M, Konukoglu E. An exploration of 2d and 3d deep learning techniques for cardiac mr image segmentation. In: International Workshop on Statistical Atlases and Computational Models of the Heart. Berlin: Springer; 2017. p. 111–119
CardiacSegmenter: Training code and pretrained models. https://github.com/Hakim-F/CardiacSegmenter. Accessed 15 Apr 2020.
Fadil H, Totman JJ, Marchesseau S. Deep learning segmentation of the left ventricle in structural cmr: Towards a fully automatic multi-scan analysis. In: International Workshop on Statistical Atlases and Computational Models of the Heart. Berlin: Springer; 2018.
Bai W, Sinclair M, Tarroni G, Oktay O, Rajchl M, Vaillant G, Lee AM, Aung N, Lukaschuk E, Sanghvi MM, et al. Automated cardiovascular magnetic resonance image analysis with fully convolutional networks. J Cardiovasc Magn Reson. 2018;20(1):65.
Fahmy AS, El-Rewaidy H, Nezafat M, Nakamori S, Nezafat R. Automated analysis of cardiovascular magnetic resonance myocardial native t 1 mapping images using fully convolutional neural networks. J Cardiovasc Magn Reson. 2019;21(1):7.
Bratt A, Kim J, Pollie M, Beecy AN, Tehrani NH, Codella N, Perez-Johnston R, Palumbo MC, Alakbarli J, Colizza W, et al. Machine learning derived segmentation of phase velocity encoded cardiovascular magnetic resonance for fully automated aortic flow quantification. J Cardiovasc Magn Reson. 2019;21(1):1.
Wong KC, Moradi M, Tang H, Syeda-Mahmood T. 3d segmentation with exponential logarithmic loss for highly unbalanced object sizes. In: International Conference on Medical Image Computing and Computer-Assisted Intervention. Berlin: Springer; 2018; p. 612–619.
Sander J, de Vos BD, Wolterink JM, Iˇsgum I. Towards increased trustworthiness of deep learning segmentation methods on cardiac mri. In: Medical Imaging 2019: Image Processing. International Society for Optics and Photonics, vol. 10949; 2019. p. 1094919