Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Đánh giá các mạng nơ-ron tích chập cho việc phát hiện chuyển động giữa các lần nín thở từ một chồng hình ảnh cắt ngang tim
Tóm tắt
Nghiên cứu này nhằm phát triển và xác thực một phương pháp dựa trên học sâu để phát hiện chuyển động giữa các lần nín thở từ hình ảnh trục dài tim được ước tính, tái tạo từ một chồng hình ảnh cắt ngang tim. Dữ liệu hình ảnh cộng hưởng từ tim cine từ tất cả các lát cắt cắt ngang và các lát cắt trục dài 2-/3-/4 buồng được xem xét cho nghiên cứu này. Dữ liệu từ 740 đối tượng được sử dụng để phát triển mô hình và dữ liệu từ 491 đối tượng được sử dụng để thử nghiệm. Phương pháp này tận dụng thông tin định hướng lát cắt để tính toán đường giao giữa mặt phẳng cắt ngang và mặt phẳng trục dài. Một hình ảnh trục dài ước tính được trình bày cùng với một hình ảnh trục dài như một hình ảnh tham chiếu không có chuyển động, cho phép đánh giá trực quan chuyển động giữa các lần nín thở từ hình ảnh trục dài ước tính. Hình ảnh trục dài ước tính được gán nhãn là hình ảnh bị nhiễu chuyển động hoặc hình ảnh không có chuyển động. Các mô hình mạng nơ-ron tích chập sâu (CNN) được phát triển và xác thực bằng cách sử dụng dữ liệu đã được gán nhãn. Phương pháp hoàn toàn tự động trong việc lấy hình ảnh trục dài được định dạng lại từ một chồng 3D các lát cắt cắt ngang và dự đoán sự hiện diện/không hiện diện của chuyển động giữa các lần nín thở. Mô hình CNN sâu với EfficientNet-B0 làm bộ chiết xuất đặc trưng đạt hiệu quả cao trong việc phát hiện chuyển động với diện tích dưới đường cong đặc trưng nhận dạng người (AUC) đạt 0.87 cho dữ liệu thử nghiệm. Phương pháp đề xuất có thể tự động đánh giá chuyển động giữa các lần nín thở trong một chồng hình ảnh cắt ngang tim cine. Phương pháp này có thể giúp thu hồi lại những lát cắt cắt ngang gặp vấn đề hoặc sửa chữa chuyển động theo cách hồi cứu.
Từ khóa
#học sâu #mạng nơ-ron tích chập #chuyển động giữa các lần nín thở #hình ảnh cắt ngang tim #cộng hưởng từ tim cineTài liệu tham khảo
Glovaci D, Fan W, Wong ND. Epidemiology of diabetes Mellitus and Cardiovascular Disease. Curr Cardiol Rep. p. 21, Mar 4 2019;21(4). https://doi.org/10.1007/s11886-019-1107-y.
Groenewegen A, Rutten FH, Mosterd A, Hoes AW. “Epidemiology of heart failure,“ Eur J Heart Fail, vol. 22, no. 8, pp. 1342–1356, Aug 2020, doi: https://doi.org/10.1002/ejhf.1858.
Schulz-Menger J, et al. Standardized image interpretation and post-processing in cardiovascular magnetic resonance – 2020 update: Society for Cardiovascular magnetic resonance (SCMR): Board of Trustees Task Force on standardized post-processing. J Cardiovasc Magn Reson. Mar 12 2020;22(1):19. https://doi.org/10.1186/s12968-020-00610-6.
Slomka PJ et al. “Patient motion correction for multiplanar, multi-breath-hold cardiac cine MR imaging,“ J Magn Reson Imaging, vol. 25, no. 5, pp. 965 – 73, May 2007, doi: https://doi.org/10.1002/jmri.20909.
Swingen C, Seethamraju RT, Jerosch-Herold M. An approach to the three-dimensional display of left ventricular function and viability using MRI. Int J Cardiovasc Imaging. Aug 2003;19(4):325–36. https://doi.org/10.1023/a:1025450211508.
Carminati MC, Maffessanti F, Caiani EG. Nearly automated motion artifacts correction between multi breath-hold short-axis and long-axis cine CMR images. Comput Biol Med. Mar 2014;46:42–50. https://doi.org/10.1016/j.compbiomed.2013.12.013.
Elen A et al. “Automatic 3-D breath-hold related motion correction of dynamic multislice MRI,“ IEEE Trans Med Imaging, vol. 29, no. 3, pp. 868 – 78, Mar 2010, doi: https://doi.org/10.1109/TMI.2009.2039145.
Wan M, et al. Correcting motion in multiplanar cardiac magnetic resonance images. Biomed Eng Online. 2016;15(1):1–16.
Litjens G et al. “State-of-the-Art Deep Learning in Cardiovascular Image Analysis,“ JACC Cardiovasc Imaging, vol. 12, no. 8 Pt 1, pp. 1549–1565, Aug 2019, doi: https://doi.org/10.1016/j.jcmg.2019.06.009.
Johnson KW et al. “Artificial Intelligence in Cardiology,“ J Am Coll Cardiol, vol. 71, no. 23, pp. 2668–2679, Jun 12 2018, doi: https://doi.org/10.1016/j.jacc.2018.03.521.
Seetharam K, Brito D, Farjo PD, Sengupta PP. The role of artificial intelligence in cardiovascular imaging: state of the art review. Front Cardiovasc Med. 2020;7:618849.
Kusunose K, Haga A, Inoue M, Fukuda D, Yamada H, Sata M. “Clinically Feasible and Accurate View Classification of Echocardiographic Images Using Deep Learning,“ Biomolecules, vol. 10, no. 5, Apr 25 2020, doi: https://doi.org/10.3390/biom10050665.
Lossau T, et al. Motion artifact recognition and quantification in coronary CT angiography using convolutional neural networks. Med Image Anal. Feb 2019;52:68–79. https://doi.org/10.1016/j.media.2018.11.003.
Fonseca CG et al. “The Cardiac Atlas Project–an imaging database for computational modeling and statistical atlases of the heart,“ Bioinformatics, vol. 27, no. 16, pp. 2288-95, Aug 15 2011, doi: https://doi.org/10.1093/bioinformatics/btr360.
Mildenberger P, Eichelberg M, Martin E. Introduction to the DICOM standard. Eur Radiol. 2002;12(4):920–7.
Dangi S, Linte CA, Yaniv Z. A distance map regularized CNN for cardiac cine MR image segmentation. Med Phys. Dec 2019;46(12):5637–51. https://doi.org/10.1002/mp.13853.
Plotly Technologies Inc. Plotly, charting tool for online collaborative data science. Montréal, QC; 2015.
MATLAB. Version 9.12.0 (R2022a). The MathWorks Inc.; 2022.
Chollet F. “Keras: The python deep learning library,“ Astrophysics source code library, p. ascl: 1806.022, 2018.
Ioffe S, Szegedy C. “Batch normalization: Accelerating deep network training by reducing internal covariate shift,“ in International Conference on Machine Learning, 2015: PMLR, pp. 448–456.
Srivastava N, Hinton G, Krizhevsky A, Sutskever I, Salakhutdinov R. Dropout: a simple way to prevent neural networks from overfitting. J Mach Learn Res. 2014;15(1):1929–58.
Tan MX, Le QV. “EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks,“ (in English), Pr Mach Learn Res, vol. 97, 2019. [Online]. Available: ://WOS:000684034306026.
Howard AG et al. “Mobilenets: Efficient convolutional neural networks for mobile vision applications,“ arXiv preprint arXiv:1704.04861, 2017.
Zoph B, Vasudevan V, Shlens J, Le QV. “Learning Transferable Architectures for Scalable Image Recognition,“ (in English), 2018 IEEE Conference on Computer Vision and Pattern Recognition, pp. 8697–8710, 2018, doi: https://doi.org/10.1109/Cvpr.2018.00907.
He KM, Zhang XY, Ren SQ, Sun J. “Identity Mappings in Deep Residual Networks,“ (in English), Lect Notes Comput Sc, vol. 9908, pp. 630–645, 2016, doi: https://doi.org/10.1007/978-3-319-46493-0_38.
Simonyan K, Zisserman A. “Very deep convolutional networks for large-scale image recognition,“ arXiv preprint arXiv:1409.1556, 2014.
Tan M, Le Q. “Efficientnet: Rethinking model scaling for convolutional neural networks,“ in International Conference on Machine Learning, 2019: PMLR, pp. 6105–6114.
Deng J, Dong W, Socher R, Li L-J, Li K, Fei-Fei L. “Imagenet: A large-scale hierarchical image database,“ in 2009 IEEE Conference on Computer Vision and Pattern Recognition, 2009: Ieee, pp. 248–255.
Zhou B, Khosla A, Lapedriza A, Oliva A, Torralba A. Learning Deep Features for Discriminative Localization,“ (in English). Proc Cvpr Ieee. 2016;2921–9. https://doi.org/10.1109/CVPR.2016.319.
Kingma DP, Ba J. “Adam: A method for stochastic optimization,“ arXiv preprint arXiv:1412.6980, 2014.
Pedregosa F, et al. Scikit-learn: machine learning in Python. J Mach Learn Res. 2011;12:2825–30.
Ho N, Kim YC. “Estimation of Cardiac Short Axis Slice Levels with a Cascaded Deep Convolutional and Recurrent Neural Network Model,“ Tomography, vol. 8, no. 6, pp. 2749–2760, Nov 14 2022, doi: https://doi.org/10.3390/tomography8060229.
Ho N, Kim YC. Evaluation of transfer learning in deep convolutional neural network models for cardiac short axis slice classification. Sci Rep. Jan 19 2021;11(1):1839. https://doi.org/10.1038/s41598-021-81525-9.
Liew YM et al. “Motion corrected LV quantification based on 3D modelling for improved functional assessment in cardiac MRI,“ Phys Med Biol, vol. 60, no. 7, pp. 2715-33, Apr 7 2015, doi: https://doi.org/10.1088/0031-9155/60/7/2715.