基于深度学习的心脏瓣膜环运动估计

从无创影像中测量的瓣膜环运动与形态学可用于更好地理解健康与病理性心脏功能。诸如长轴应变以及峰值应变率等测量提供了收缩功能的标志物。类似地，早期与晚期舒张充盈速度被用作舒张功能的指标。然而，量化整体应变需要一种在整个心动周期中快速且精确地追踪长轴运动的方法。诸如瓣叶插入心肌壁处的瓣膜标志点提供了可被追踪以测量整体长轴运动的特征。特征追踪方法需要初始化，这在大型队列研究中可能耗时。因此，本研究开发并训练了一个神经网络，从未标记的长轴 MR 图像中识别十个特征：来自三个长轴视图的六个二尖瓣点、两个主动脉瓣点和两个三尖瓣点。本研究使用临床扫描中采集的标准 2、3 和 4 腔长轴图像中瓣膜标志点的手动标注来训练该网络。以像素距离衡量的这十个特征的识别精度，与两种常用特征追踪方法的精度以及手动标注的观测者间变异性进行了比较。诸如舒张末期与收缩末期之间瓣膜标志点应变与运动等临床测量也被给出，以说明该方法的效用与鲁棒性。