基于贝叶斯推断神经网络从原生 T1 映射自动量化心肌组织特征并实现不确定性质量控制
图像与视频处理
2021-06-24 v1 计算机视觉与模式识别
医学物理
定量方法
摘要
利用 CMR 参数映射进行组织表征，有潜力检测并量化晚期钆增强无法评估的心肌结构局灶性与弥漫性改变。尤其是原生 T1 映射，已显示出作为有用生物标志物的前景，可支持缺血性与非缺血性心肌病的诊断、治疗及预后决策。带贝叶斯推断的卷积神经网络是一类对网络输出不确定性进行建模的人工神经网络。本研究提出了一个使用概率分层分割（PHiSeg）网络、从 1.5T 原生 ShMOLLI T1 映射自动进行组织表征的框架。此外，我们在一种新颖的自动质量控制（QC）步骤中利用 PHiSeg 网络提供的不确定性信息来识别不确定的 T1 值。PHiSeg 网络与 QC 在包含健康受试者和慢性心肌病患者的 UK Biobank 队列上对照手动分析进行了验证。我们使用所提方法获得了健康受试者以及常见临床心脏状况下左心室心肌的参考 T1 范围。自动与手动分割计算的 T1 值高度相关（r=0.97）。Bland-Altman 分析显示自动与手动测量之间一致性良好。左心室心肌的平均 Dice 系数为 0.84。对错误输出的检测灵敏度为 91%。最后，从 UK Biobank 的 14,683 例 CMR 检查中自动导出 T1 值。所提出的流程可实现心肌原生 T1 映射的自动分析，并包含用于检测潜在错误结果的 QC 过程。基于迄今最大队列的 T1 映射图像，给出了健康受试者及常见临床心脏状况的 T1 参考值。
引用
@article{arxiv.2001.11711,
title = {Automated quantification of myocardial tissue characteristics from native T1 mapping using neural networks with Bayesian inference for uncertainty-based quality-control},
author = {Esther Puyol Anton and Bram Ruijsink and Christian F. Baumgartner and Matthew Sinclair and Ender Konukoglu and Reza Razavi and Andrew P. King},
journal= {arXiv preprint arXiv:2001.11711},
year = {2021}
}