European Radiology：基于心脏MRI自动评估心肌梗死后反常搏动的深度学习方法

在发生急性心肌梗死后，患者发生左心室功能不全与左室壁运动异常有关。在左心室重构过程中，心肌细胞丢失、梗死区心肌细胞增多，梗死范围进一步扩大。临床上，传统的评估仅基于视觉分析的超声心动图以及心脏磁共振 (CMR) 成像。然而，视觉解释是主观的、很大程度上取决于个人经验。因此，建立一种准确、有效、客观的分析方法对于心功能的评估具有重要意义。

CMR为心血管疾病提供了独特的识别和预测，具有非电离辐射、多参数方法、高空间/时间分辨率和非侵入性成像方式的优点。基于CMR的深度学习方法已成为分析和分类心脏疾病的强大影像学工具。深度学习算法可以分析各种CMR技术的多参数图像，能较好地描述左室反常搏动的位置和形态。另外，与传统的机器学习算法相比，可以在不需要预先定义测量步骤的情况下直接计算结果。

近日，发表在European Radiology杂志上的一篇研究评估了整合多维CMR数据的深度卷积神经网络(DCNN)模型在准确识别经皮冠状动脉介入再灌注后孤立性前路梗死的左室矛盾搏动方面的价值。

本项前瞻性研究共招募了401名参与者(311名患者和90名年龄匹配的志愿者)。利用DCNN模型建立了LV的二维UNet分割模型和识别矛盾脉动的分类模型。利用分割模型生成的蒙版，分别对图像进行二维(2D)和三维ResNets特征提取。其次，使用Dice评分和分类模型，通过受试者工作特征(ROC)曲线和混淆矩阵对分割模型的准确性进行评估。采用DeLong方法比较训练模型和DCNN模型中医生的ROC曲线下面积(AUC)。

DCNN模型显示，在训练、内部和外部测试队列中，检测矛盾脉动的AUC分别为0.97、0.91和0.83 (p < 0.001)。利用收缩期末和舒张期末图像结合2室和3室图像建立的2.5维模型比三维模型更有效。DCNN模型的识别性能优于影像科医师(p < 0.05)。

 表 五个模型中三个数据集的诊断性能

本项研究表明，与单独使用2室、3室图像或3D多视图训练的模型相比，本项研究所提出的2.5D多视图模型可以更有效地结合2室和3室的信息，可获得最高的诊断灵敏度。

原文出处：

Bing-Hua Chen,Chong-Wen Wu,Dong-Aolei An,et al.A deep learning method for the automated assessment of paradoxical pulsation after myocardial infarction using multicenter cardiac MRI data.DOI:10.1007/s00330-023-09807-6