基于深度学习的自动化主动脉面积与可扩张性评估：多民族动脉粥样硬化研究（MESA）
定量方法
2021-03-04 v1 图像与视频处理
摘要
本研究在大型 MESA 队列中应用基于卷积神经网络（CNN）的自动分割和胸主动脉及降主动脉可扩张性测量（基于 2D 相位对比电影磁共振成像（PC-cine MRI）），并在胸主动脉瘤（TAA）患者的外部队列上进行后续评估。研究纳入了 MESA 研究中肺动脉分叉处升主动脉和降主动脉的 2D PC-cine MRI 图像。训练、验证和内部测试集分别由 1123 项研究（24282 张图像）、374 项研究（8067 张图像）和 375 项研究（8069 张图像）组成。TAA 外部测试集由 37 项研究（3224 张图像）组成。构建了基于 U-Net 的 CNN，并通过与手动分割和参数估计比较，利用骰子系数（用于分割）和主动脉几何参数的一致性相关系数（CCC）评估性能。主动脉分割的骰子系数在内部测试集上为 97.6%（CI：97.5%—97.6%），在 TAA 外部测试集上为 93.6%（84.6%—96.7%）。手动与 CNN 最大和最小升主动脉面积比较的 CCC 在内部测试集上分别为 0.97 和 0.95，在外部测试集上分别为 0.997 和 0.995。最大和最小降主动脉面积的 CCC 在内部测试集上分别为 0.96 和 0.98，在外部测试集上分别为 0.93 和 0.93。我们成功地在大型多民族数据库和 TAA 患者外部队列中开发并验证了基于 U-Net 的升、降主动脉分割和可扩张性量化模型。
引用
@article{arxiv.2103.02417,
title = {Deep Learning-based Automated Aortic Area and Distensibility Assessment: The Multi-Ethnic Study of Atherosclerosis (MESA)},
author = {Vivek P. Jani and Nadjia Kachenoura and Alban Redheuil and Gisela Teixido-Tura and Kevin Bouaou and Emilie Bollache and Elie Mousseaux and Alain De Cesare and Shelby Kutty and Colin O. Wu and David A. Bluemke and Joao A. C. Lima and Bharath Ambale-Venkatesh},
journal= {arXiv preprint arXiv:2103.02417},
year = {2021}
}
备注
25 pages, 5 figures