基于深度学习的 myocardial perfusion MRI 自动内联分析

定量心肌血流量（MBF）映射的最新发展允许通过计算逐像素血流图直接评估绝对心肌灌注。临床研究表明，定量评估在客观性和效率上更为可取。通过分割心肌并依据 AHA 模型自动生成报告，可进一步促进客观评估。这将免除用户交互分析并实现“一键式”工作流改进。本文提出一种基于深度神经网络的内联心肌灌注分析计算工作流。腺苷负荷与静息灌注扫描采集自三家医院。训练集包含来自 1,034 名患者的 N=1,825 个灌注序列。独立测试集包含来自 105 名患者的 200 次扫描。数据在各站点连续采集。训练了一个卷积神经网络（CNN）模型，通过处理输入的 2D+T 灌注 Gd 序列，为左室腔、心肌和右心室提供分割。模型输出与手动真值进行比较，以评估全局和按节段层面的分割精度及血流测量值。训练好的模型被集成到 MR 扫描仪上以实现高效推理。比较了 CNN 模型与手动真值之间的分割精度和心肌血流测量值。CNN 所得心肌的平均 Dice 比为 0.93 ± 0.04。与手动结果相比，全局血流和按节段值均无显著差异。AHA 16 节段模型在 MR 扫描仪上自动生成并报告。由此实现了灌注血流映射的全自动分析。该方案集成于 MR 扫描仪，实现了心肌血流的“一键式”分析与报告。