用于计算血流动力学评估的大动脉自动分割
医学物理
2022-09-14 v1
摘要
背景：计算流体动力学（CFD）日益用于评估先天性心脏病（CHD）患者的血流状况。这需要患者特异性解剖结构，通常从分割的三维心血管磁共振（CMR）图像中获得。然而，分割耗时且需要专家参与。本研究旨在开发和验证一种用于 CFD 研究的主动脉和肺动脉（PAs）分割机器学习（ML）方法。方法：回顾性选取 90 名 CHD 患者用于本研究。对 3D CMR 图像进行手动分割以获得真值（GT）背景、主动脉和 PA 标签。这些用于训练和优化 U-Net 模型。分割性能主要使用 Dice 分数评估。使用半自动网格划分与仿真流程从 GT 和 ML 分割建立 CFD 仿真。计算压力和速度场，并对每对血管计算平均绝对百分比误差（MAPE）。一名次级观察者（SO）对测试数据集进行分割以评估观察者间变异性。采用 Friedman 检验比较分割指标和流场误差。结果：模型对主动脉的 Dice 分数（ML vs GT）为 0.945，对 PAs 为 0.885。观察者间 Dice 分数（SO vs GT）以及 ML vs SO Dice 分数的差异在主动脉或 PAs 上均无统计学显著性。主动脉中 ML vs GT 的压力和速度 MAPE 分别为 10.1% 和 4.1%，PAs 中分别为 14.6% 和 6.3%。观察者间（SO vs GT）和 ML vs SO 的压力与速度 MAPE 与 ML vs GT 量级相近。结论：所提方法可成功分割大血管用于 CFD，其误差与观察者间变异性相似。这减少了 CFD 分析所需的时间和精力，使其更适用于常规临床使用。
引用
@article{arxiv.2209.06117,
title = {Automatic Segmentation of the Great Arteries for Computational Hemodynamic Assessment},
author = {Javier Montalt-Tordera and Endrit Pajaziti and Rod Jones and Emilie Sauvage and Rajesh Puranik and Aakansha Ajay Vir Singh and Claudio Capelli and Jennifer Steeden and Silvia Schievano and Vivek Muthurangu},
journal= {arXiv preprint arXiv:2209.06117},
year = {2022}
}
备注
27 pages, 10 figures