用于心脏 MRI 左心室量化的时空多任务学习

心脏左心室（LV）形态的定量评估对于评价心脏功能和改进不同心血管疾病的诊断至关重要。在当前临床实践中，LV 量化依赖于心肌形状指数的测量，这通常通过对心内膜和心外膜进行手动勾画来实现。然而，该过程受观察者间和观察者内差异影响，且是一项耗时且繁琐的任务。在本文中，我们提出一种时空多任务学习方法，以获得量化心脏 LV 形态、室壁厚度区域（RWT）的完整测量集，并额外检测给定 3D Cine 磁共振（MR）图像序列的心脏时相周期（收缩期和舒张期）。我们首先使用编码器-解码器网络分割心脏 LV，然后引入一个多任务框架，在模型优化期间作为并行任务回归 11 个 LV 指数并分类心脏时相。所提出的深度学习模型基于 3D 时空卷积，从 MR 图像中提取空间和时间特征。我们使用 145 名受试者的 cine-MR 序列证明了所提方法的有效性，并将其性能与其他最先进的量化方法进行比较。所提方法获得了较高的预测精度，LV 和心肌（Myo）腔区域、6 个 RWT、3 个 LV 维度的平均绝对误差（MAE）分别为 129 $mm^2$、1.23 $mm$、1.76 $mm$，皮尔逊相关系数（PCC）分别为 96.4%、87.2% 和 97.5%，时相分类错误率为 9.0%。实验结果突出了所提方法的鲁棒性，尽管心脏形态、图像外观程度各异且心脏 MR 序列对比度低。