Euro Radio:基于深度学习的全自动定量MRI血流评估

2023-02-05 shaosai MedSci原创 发表于上海

深度学习(DL)是一种先进的人工智能(AI)技术,最近被应用于心脏MRI以评估LV功能或在主动脉解剖分割中。

二维时间分辨(2D-CINE)相位对比(PC)MRI(2D- CINE-PC-MRI)于20世纪80年代首次开发并引入临床,是当今MRI体内血流分析的临床首选影像学检查。2D-CINE-PC-MRI可用于任何较大血管的血流分析,但主要是运用于主动脉和主肺动脉(PA)。为了获得可靠的结果,需要对心动周期的每个时间点的血管轮廓进行划分。由于在整个心动周期中,血管腔的轮廓和运动是动态变化的,准确量化血流参数需要仔细划定血管的边界。目前,市面上的软件通过应用半自动的工作流程来支持放射科医生对血管轮廓的划分。

深度学习(DL)是一种先进的人工智能(AI)技术,最近被应用于心脏MRI以评估LV功能或在主动脉解剖分割中。对于2D-CINE-PC-MRI的应用,Bratt等学者描述了一种在临床系列上使用深度学习进行流量评估的方法,但它仅限于单一位置(主动脉)且净流量是唯一报道的参数。

近日,发表在European Radiology杂志的一项研究在一组接受标准临床2D-CINE-PC-MRI的患者中,探讨了DL结果与人工和半自动流量定量评估之间的差异,为临床更快速、便捷且准确的进行血管轮廓划分及评估提供了技术支持。

本项研究纳入了97名连续的患者(年龄=52.9±16岁,41名女性),每位患者均在1.5T MRI系统上接受了2D-CINE-PC-MRI成像,28/97还接受了主肺动脉(PA)的2D-CINE-PC检查。一位心血管放射学家在商业软件中对所有心脏时间段(中位数:20,每次分析的总轮廓:2358 STJ,680 PA)进行了MA(参考)和corSAA(内置工具)。DL-分析自动进行VCD,然后是净流量(NF)和峰值速度(PV)的量化。使用Dice相似性系数(DSC)对等值线进行了比较,对不一致的病例(>±10 mL或>±10 cm/s)进行详细审查。 

2D-CINE-PC-MRI系列中97%(121/125)成功应用了DL(STJ:95/97,98%,PA:26/28,93%)。与MA相比,STJ的平均DSC为0.91±0.02(DL),0.94±0.02(corSAA),PA为0.85±0.08(DL),0.93±0.02(corSAA);这表明DL性能表现为良好至优秀。血流定量显示在STJ(p = 0.48)和PA(p > 0.05)的方法之间有类似的NF,而PV评估有明显的不同(STJ:p < 0.001,PA:p = 0.04)。详细审查显示,MA和corSAA中的噪体素影响了PV结果。总的来说,与人工评估相比,DL分析在113/121(93.4%)例中是准确的。 


PA的流量测量。人工分析(MA,参考)与校正的半自动分析(corSAA,橙色)、未校正的半自动分析(uncorSAA,蓝色)和深度学习(DL,红色)分析在PA的净流量、前向流量和后向流量的比较。散点图(顶部)显示了极好的相关性,Bland-Altman图(底部)偏差小,每个参数的人共和DL测量之间都有较窄的一致限度(LoA),而与STJ相比,LoA更窄

综上所述,研究评估的DL工具在专家水平上对93%以上的病例进行了主动脉和肺动脉的全自动位置检测和流量量化。研究数据表明,所使用的DL工具可以进行无缝整合,并提高评估2D-CINE-PC-MRI的临床工作流程的效率。

 

原文出处:

Maurice Pradella,Michael B Scott,Muhammad Omer,et al.Fully-automated deep learning-based flow quantification of 2D CINE phase contrast MRI.DOI:10.1007/s00330-022-09179-3

版权声明:
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
评论区 (0)
#插入话题

相关资讯

European Radiology:预测肺腺癌淋巴结转移的深度学习特征

现阶段,新兴的深度学习(DL)分析在区分组织学亚型、评估治疗反应和预测肺癌的结果方面取得了极高的效果。

European Radiology:如何提高腹部CT增强扫描的空间分辨率和诊断可信度?

最近,临床上开发出来一种深度学习图像重建(DLIR)算法(TrueFidelityTM,GE Healthcare),并在CT成像的模型和临床研究中得到了测试。

European Radiology:深度学习图像重建算法在降低双能CT图像噪声方面的价值

现阶段,迭代重建(IR)算法已被引入临床实践以取代传统的滤波反投影(FBP)。

European Radiology:基于深度学习算法的胸部CT肋骨骨折自动检测评估

肋骨骨折的数量,尤其是不稳定肋骨骨折代表了创伤严重程度的一个重要指标,并有报道称其与胸部创伤后的死亡率相关。

European Radiology:PET/CT深度学习模型在预测弥漫性大b细胞淋巴瘤治疗方面的价值

随着人工智能的快速发展,深度学习方法已经发展成为分析PET/CT数据的重要数学模型,已被应用于与淋巴结检测、正常生理FDG摄取识别、病灶分割以及生存预测。

European Radiology:深度学习在预测胶质母细胞瘤预后方面的价值

最近,放射基因组学作为一个有前途的研究领域出现,可将成像表型与基因组学数据联系起来为临床提供诊断及治疗等多方面的指导。