基于深度学习的心脏 MRI 图谱 T1 和 T2 分段用于自动疾病检测
摘要
目标 参数组织映射实现了定量心脏组织特征表征，但受限于手动描绘过程中观察者之间的变异性。传统方法依赖平均松弛值和单一阈值可能过于简化心肌复杂性。本研究评估了深度学习 (DL) 是否能够实现与观察者间变异性相当的分段准确性，探讨了除平均 T1/T2 值之外统计特征的实用性，以及机器学习 (ML) 结合多重特征是否提高疾病检测。材料与方法 手动分段 T1 和 T2 图。将测试子集由两个独立注释者进行标注，评估观察者间变异性。训练一个 DL 模型对左心室血池和心肌进行分段。计算心肌像素的平均值 (A)、下四分位 (LQ)、中位数 (M) 和上四分位 (UQ)，并通过应用阈值或在 ML 中进行分类。采用 Dice 相似系数 (DICE) 和平均绝对百分比误差评估分段性能。采用 Bland-Altman 图评估用户间和模型-观察者间的一致性。采用受试者工作特征曲线分析确定最优阈值。采用 Pearson 相关系数比较模型和手动分段的特征。采用 F1 分数、精确率和召回率评估分类性能。采用 Wilcoxon 检验评估分类方法之间的差异，p < 0.05 视为统计显著。结果 144 名受试者分为训练集 (100)、验证集 (15) 和评估集 (29)。分段模型达到 DICE 为 85.4%，超过了观察者间一致性。对所有特征应用随机森林，F1 分数提升至 92.7% (p < 0.001)。结论 深度学习促进了 T1/T2 图谱的分段。结合多重特征与机器学习可提高疾病检测。
引用
@article{arxiv.2507.00903,
title = {Deep learning-based segmentation of T1 and T2 cardiac MRI maps for automated disease detection},
author = {Andreea Bianca Popescu and Andreas Seitz and Heiko Mahrholdt and Jens Wetzl and Athira Jacob and Lucian Mihai Itu and Constantin Suciu and Teodora Chitiboi},
journal= {arXiv preprint arXiv:2507.00903},
year = {2025}
}
备注
This work has been submitted for consideration at European Radiology (Springer). Upon acceptance, this preprint will be updated with the journal reference