用于从临床心脏磁共振扫描中全自动分割心肌梗死的深度学习流程
图像与视频处理
2025-03-20 v2 人工智能
计算机视觉与模式识别
摘要
目的：开发并评估一种基于深度学习的方法，该方法能够以全自动的方式执行心肌梗死分割。材料与方法：在这项回顾性研究中，一个由二维和三维卷积神经网络（CNN）组成的级联框架，专门用于在晚期钆增强（LGE）心脏磁共振（CMR）图像上识别缺血性心肌瘢痕，并在一个包含144次检查的内部训练数据集上进行了训练。在来自同一机构的独立测试数据集（包括2021年至2023年间获得的152次检查的图像）上，对基于人工智能（AI）的分割与手动分割进行了定量比较。此外，由两位CMR专家在一次盲法实验中，对人工和AI生成的轮廓进行了分割准确性的定性评估。结果：手动和自动计算的心梗体积之间具有极好的一致性（ = 0.9）。定性评估显示，与基于人工的测量相比，专家们显著更频繁地（p < 0.001）认为基于AI的分割更能代表梗死的实际范围（AI 33.4%，人工 25.1%，两者相当 41.5%）。相反，对于微血管阻塞（MVO）的分割，手动测量仍然更受青睐（AI 11.3%，人工 55.6%，两者相当 33.1%）。结论：这种全自动分割流程能够在极短时间内计算CMR梗死面积，无需对输入图像进行任何预处理，同时匹配了训练有素的人类观察者的分割质量。在一项盲法实验中，专家们更频繁地偏好自动梗死分割而非手动分割，这为其潜在的临床应用铺平了道路。
引用
@article{arxiv.2502.03272,
title = {Deep Learning Pipeline for Fully Automated Myocardial Infarct Segmentation from Clinical Cardiac MR Scans},
author = {Matthias Schwab and Mathias Pamminger and Christian Kremser and Markus Haltmeier and Agnes Mayr},
journal= {arXiv preprint arXiv:2502.03272},
year = {2025}
}