需要JoVE订阅才能观看此内容。 请登录或开始免费试用

方法文章

心肌炎患者心血管磁共振图像中左心房的分割

624 次观看

⸱

DOI：

10.3791/68664

⸱

2025年7月18日

 ,  ,  ,  ,  ,  ,  ,  , 
1Department of Radiology, The Second Affiliated Hospital of Chengdu Medical College, Nuclear Corportation 416 Hosptital, 2Department of Radiology, The First People's Hospital of Longquanyi District Chengdu, West China Longquan Hospital, Sichuan University, 3Department of Medical Imaging, Chengdu Medical College, 4Department of Radiology, The Second Affiliated Hospital of Kunming Medical University

* These authors contributed equally

本文内容

摘要

三维全卷积网络增强型电影分析能够实现心肌炎患者左心房功能的精确评估，提高早期收缩-舒张功能障碍的检出率，并减少射血分数预测误差，有助于心房机械功能障碍的临床诊断与监测。

摘要

心血管磁共振（CMR）电影序列是评估心肌炎患者左心房（LA）动态功能的核心成像技术。该技术通过高时间分辨率捕捉心动周期中左心房的三维运动特征，为分析心肌收缩协调性及室壁运动异常提供了关键数据。动态建模和应变编码成像等关键技术进步，使得能够对心肌炎早期阶段的左心房收缩-舒张功能障碍进行定量评估。然而，电影序列分割的主要挑战在于动态伪影的处理以及对薄壁结构的时空连续性建模。传统的基于阈值的分割方法由于无法捕捉运动模式，在动态序列中表现出有限的一致性。采用三维全卷积网络（3D-FCN）的深度学习方法通过三项策略性改进实现了更高的准确性：（1）时空特征融合：采用三维卷积核同时提取空间结构和时间维度特征，从而减少运动模糊效应；（2）动态跳跃连接：在编码器-解码器架构中引入该连接，通过跨时间特征传播增强不同心动周期间形变相关性的建模；（3）轻量化设计：通过采用分块处理和深度可分离卷积，优化了大规模四维数据集的实时处理计算效率。该3D-FCN在左心房分割中达到0.921的Dice系数，较传统方法提升了12.3%。该设计将左心房射血分数预测误差从8.7%降低至3.2%。分割结果直接支持了左心房容积-时间曲线和应变率等定量指标的计算。这些指标有助于心肌炎相关心房机械功能障碍的临床诊断。

引言

心脏磁共振（CMR）电影序列作为评估心肌炎患者左心房（LA）动态功能的核心成像手段，凭借其高时间分辨率和三维运动捕捉能力，为识别心肌收缩协调性异常及早期舒张功能障碍提供了关键数据1,2,3,4,5。通过应变编码成像和动态运动建模技术，CMR电影序列能够精确检测心肌水肿和纤维化，这些改变与组织病理学变化密切相关，并可预测主要不良心血管事件6,7,8,9。CMR特征追踪技术可对左心房应变进行定量评估，反映其储血、通道和泵血功能。通过CMR对左心房应变率的分析，可间接评估与左心室舒张功能障碍相关的左心房压力升高情况，从而揭示异常的左心室充盈模式8,10,11,12。

在心肌炎中，特定的应变参数——如被动应变和主动应变——与心肌纤维化表现出强相关性，从而能够早期检测左心房（LA）力学中的代偿性功能障碍13,14,15,16。值得注意的是，在心肌炎患者中，LA应变的降低往往早于结构性扩张的发生，而心脏磁共振（CMR）电影序列可敏感地捕捉到这些早期重构模式，为及时临床干预提供了关键窗口。然而，电影序列的分割面临多重挑战：左心房薄壁结构易受呼吸运动伪影影响，导致射血分数计算出现误差；同时，传统的基于阈值的分割方法由于无法捕捉非对称性变形模式，会系统性地高估LA的最小容积15,17。

近年来，压缩感知技术通过k空间欠采样缩短了扫描时间，在左心房被动射血分数的测量中表现出与金标准方法高度相关的结果，但对总射血分数和主动泵功能的低估问题仍有待进一步优化18,19,20,21。值得注意的是，基于深度学习的心脏运动预测模型通过整合相位速度编码与自适应运动校正算法，在自由呼吸序列中实现了精确的左心房动态功能建模22,23。本研究旨在利用深度学习算法，为心肌炎相关左心房机械功能障碍的临床诊断建立关键基础，从而实现对心肌炎患者个体化的风险分层与预后预测。

访问受限。请登录或开始试用以查看此内容。

方案

成都医学院伦理委员会确定本研究符合免除知情同意的标准。该研究遵循《赫尔辛基宣言》中规定的原则。

1. 患者选择

  1. 采用以下纳入标准：符合急性心肌炎临床诊断标准的心肌炎患者，包括病毒感染后症状、生物标志物升高以及心电图（ECG）异常。
  2. 排除以下患者：患有缺血性、瓣膜性或先天性心脏病者；因药物、化疗或感染所致的继发性心肌损伤者；影像学检查无明确诊断意义者；以及高风险状况（如妊娠、肾功能不全或血流动力学不稳定）者。

2. CMR成像方案与扫描参数

  1. 扫描仪配置
    1. 在症状出现后14-28天内，使用配备32通道心脏相控阵线圈的3.0特斯拉磁共振成像扫描仪进行操作。
    2. 通过控制台的线圈检测功能执行线圈验证，随后运行自动校准程序。
      注意：患者需仰卧位，线圈中心对准左侧腋中线。
  2. 左心房功能评估
    1. 通过协议管理器 > 心脏 > 平衡稳态自由进动电影成像（bSSFP）路径启动平衡稳态自由进动电影成像。
    2. 设置回顾性心电图门控，触发窗口参数设为15%，以适应心律失常。
    3. 通过12个k空间段编程33 ms时间分辨率（30个时相），实现完整心动周期覆盖。
      注意：关键参数包括重复时间/回波时间3.0/1.5 ms、翻转角45°、带宽930 Hz/像素、矩阵256×256。
  3. 标准心脏切面采集
    1. 使用三平面定位序列获取定位像，耗时约18秒。
    2. 在轴向定位像上，将成像平面穿过左心室心尖和二尖瓣中心，设定四腔心视图。
    3. 复制四腔心设定，并顺时针旋转60°，生成二腔心视图。
  4. 并行成像实施
    1. 在控制台的加速选项卡中启用广义自校准部分并行采集，设置并行成像因子为2。
    2. 通过将相位部分傅里叶设为6/8配置，启用部分傅里叶采样。
    3. 使用24条自动校准信号线执行参考校准，耗时22秒。
      注意：关键扫描参数包括TR/TE = 3.0 ms/1.5 ms，翻转角 = 45°，带宽 = 930 Hz/像素。
  5. 左心房特异性成像
    1. 识别解剖标志，包括舒张中期的二尖瓣环、距房间隔15 mm处的漏斗形左心房顶部，以及显示明确分叶结构的左心耳（LAA）开口。
    2. 将长轴切面垂直于四腔心视图对齐，从肺静脉开口延伸至左心耳尖端。
      注意：三个关键解剖标志指导心脏磁共振（CMR）切面定位：二尖瓣环需在舒张中期清晰显示两个瓣叶；漏斗形左心房顶部位于右上肺静脉口处，距房间隔15 mm处居中；左心耳开口应显示清晰的分叶结构，并与左上肺静脉有明确边界。
  6. 短轴堆栈采集
    1. 在舒张期二腔心视图引导下，设定与二尖瓣环平面平行的连续短轴切片。
    2. 设置切片几何参数：厚度3 mm，共15层，覆盖范围从肺静脉起始处至左心室心尖。
  7. 高分辨率成像
    1. 采用放大的平衡稳态自由进动序列，实现0.8×0.8×2.5 mm分辨率，带宽为1200 Hz/像素。
    2. 在R波后50 ms，将舒张期饱和带置于左心耳流出道，厚度设为10 mm。
  8. 呼吸运动控制
    1. 在右半膈顶激活膈肌追踪功能，设置5 mm接受窗，实施导航门控。
    2. 通过启用压缩感知重建（加速因子4.0）并实施实时稳态自由进动序列，最大限度缩短屏气时间。
      注意：为确保患者安全，本研究严格遵循心血管磁共振学会（SCMR）2020年发布的关于心血管磁共振临床适应证的立场文件24。

3. 数据预处理与质量控制

  1. 采用非刚性B样条配准方法，校正由呼吸和心律失常引起的错位（最大容差±4 mm），以实现运动校正。
  2. 应用N4偏置场校正和直方图匹配，对不同扫描仪之间的信号强度进行标准化，以实现信号均一化。
  3. 由两名具有资深经验的放射科医生（>5年经验）根据指南25在3D Slicer中进行金标准标注。
    注：系统要求、安装步骤、基本功能模块及工作流程均基于官方指南26。
  4. 利用50%灰度梯度阈值方法解析较薄的左心房壁（<2 mm）。标注结果的观察者间一致性检验显示组内相关系数（ICC）> 0.91，Dice相似性系数> 0.95，确保了模型训练与验证所用标注数据的可靠性。
    注：所有数据均经过可逆匿名化处理，通过对抗性扰动和可见水印保护隐私，同时支持授权解密与数据还原。临时存储的数据采用加密方式管理，并实施严格的访问控制，在数据销毁时进行密码学擦除27。

4. 时空特征融合技术

  1. 采用基于三维全卷积网络（3D-FCN）的深度学习方法，以提高在所有心脏时相中的左心房分割准确性。
  2. 在3D-FCN架构中整合具有1、2、4和8四种扩张率的时空特征金字塔模块，以捕捉多分辨率尺度下的心肌运动模式。
    注意：特征提取采用五个编码器阶段，通道维度[32, 64, 128, 256, 512]随着每次下采样操作逐步增加。

5. 网络架构

  1. 多尺度时空建模
    1. 在三个分辨率（16 × 16 × 16、32 × 32 × 32、64 × 64 × 64）上部署分层三维卷积核（卷积核大小为 3 × 3 × 3，步长为 1 × 1 × 1，膨胀率为 2）。
    2. 捕捉从局部纤维运动到整体心室收缩的跨尺度时空相关性。
  2. 输入配置
    1. 使用四维张量输入（通道数 × 时间帧数 × 高度 × 宽度 = 4 × 30 × 256 × 256），覆盖完整的心动周期。
    2. 包含四腔和两腔电影序列，每个心动周期30帧，时间分辨率为33 ms。

6. 动态跳跃连接

注意：设计了一种具有自适应权重分配的跨周期动态跳跃连接，以处理电影序列的时间特性。

  1. 编码器
    1. 设计五层3D残差模块（每个模块包含四个3 × 3 × 3卷积，通道数从64扩展至512），用于提取时空特征。
    2. 通过在时空注意力门中计算时空权重矩阵，动态抑制呼吸运动伪影和血流噪声。
    3. 提取多尺度时空特征，在五层金字塔结构中输出张量维度为 [C × T × H × W] = [64 × 30 × 256 × 256, 128 × 30 × 128 × 128, 256 × 30 × 64 × 64, 512 × 30 × 32 × 32, 1024 × 30 × 16 × 16]（T = 每周期30帧）。
  2. 解码器
    1. 通过3D转置卷积（核大小2 × 2 × 2，步长2），将高层语义特征（64 × 64 × 64分辨率）与低层分辨率特征（16 × 16 × 16）结合，实现跨尺度特征融合。
    2. 在时间插值中（三次样条插值，时间因子0.5）确保时空同步精细化。
    3. 利用前向和后向隐藏状态，在双向门控循环单元模块中建立时间依赖性，以捕获长距离上下文模式，并通过门控机制缓解梯度消失问题。
    4. 在时间对齐卷积中（核大小3 × 3 × 3，步长1 × 1 × 1，膨胀率2），动态融合相邻5帧的特征。

7. 自适应权重分配策略

  1. 在时空注意力门控模块内配置双分支处理通路，以在网络运行过程中动态平衡空间与时间特征的贡献。
  2. 为3 × 3可变形卷积计算空间权重矩阵，在空间注意力分支中突出心肌边界（薄壁心房结构<2 mm），并补偿呼吸运动伪影。
  3. 基于心肌位移矢量导出的组织形变度量，生成时间加权系数，以优先关注关键心脏时相的相关性。

8. 残余通路稳定化

  1. 在训练过程中随机省略时间上被丢弃的连接，以增强鲁棒性，防止梯度爆炸和特征坍缩。
  2. 约束权重矩阵以稳定特征传播。
    1. 采用系数为0.01的L2正则化来约束权重矩阵的更新。
    2. 将最大权重梯度值限制为1.0以进行梯度裁剪。
    3. 使用缩放因子为输入节点数平方根的倒数乘以√2的方法初始化权重。
  3. 使用深度可分离卷积进行通道数降维
    1. 在所有三个维度上使用3×3×3卷积核大小进行深度卷积初始化，分组数量与输入通道维度一致。
    2. 应用1×1×1卷积核配置的逐点卷积，将特征通道从512维投影至64维。
    3. 在特征拼接操作之前执行批量归一化和参数化线性整流单元激活。
  4. 分割生成与伪影抑制
    1. 通过通道维度拼接，融合时空建模输出与自适应注意力特征图。
    2. 针对厚度小于2 mm的区域，应用多尺度轮廓约束以增强心肌边界的勾画。
    3. 通过在心脏周期各时相间进行时间加权的特征稳定化，实现运动伪影抑制。
    4. 通过带有Sigmoid激活函数的1×1×1卷积输出层生成最终的左心房分割结果。
      注：为进行视觉验证，使用3D表面渲染技术将分割结果叠加在原始图像切片上（采用半透明掩膜叠加技术），以确保左心房薄壁结构的解剖连续性。在定量评估中，采用Dice系数和豪斯多夫距离（HD）等指标。

9. 其他故障排除指南

  1. 调整心电图门控参数，以实现 25–35 ms 的时间分辨率，从而优化心脏时相的采集。
  2. 采用 5 mm 的导航门控窗口进行呼吸补偿，以最大程度减少与呼吸运动相关的伪影。
  3. 确保患者体位正确，并在整个成像过程中提供清晰的呼吸指导。

访问受限。请登录或开始试用以查看此内容。

结果

在包含200例心肌炎患者的CMR数据集上，所提出的框架在左心房分割任务中实现了0.921的Dice系数，相比基线模型提升了12.3%，处理速度达到每秒18帧（fps）。通过采用动态核蒸馏将高层抽象特征传递至低层特征，左心房最小容积（LAVmin）的Hausdorff距离（HD）从3.2 mm优化至1.7 mm（降幅为46.9%）。对于薄壁左心房结构（厚度 <2 mm），HD从4.3 mm降至2.1 mm（改善51.2%），同时时空连续性误差（通过帧间形变场一致性评估）减少了58%（p < 0.01）。

为提高计算效率，采用深度可分离的3D卷积替代标准卷积，将模型参数从1250万压缩至320万（减少74.4%），推理速度提升至22帧/秒。动态核蒸馏进一步实现了从高层特征（512通道）向底层特征（64通道）的知识迁移，多尺度特征权重通过Sigmoid激活函数进行归一化。该设计将左心房射血分数（LAEF）预测误差从8.7%（传统U-Net）降低至3.2%。左心房主动排空分数（LAAEF）的Dice系数从0.78提升至0.88（+12.8%），优于当前最先...

访问受限。请登录或开始试用以查看此内容。

讨论

本研究通过标准化的心脏磁共振（CMR）方案和专用的左心房（LA）扫描参数，结合高效的特征提取及基于三维全卷积网络（3D-FCN）的自动化快速分割技术，实现了对心肌炎患者左心房结构和功能的精确量化。优化的成像参数与算法创新之间的协同作用，为临床转化建立了坚实的技术基础。

心脏磁共振成像（CMR）仍是评估心肌炎中左心房结构和功能异常的基石性工具。然而，现有技术局限包括空间分辨率不足、因运动伪影导致的图像质量差异，以及缺乏标准化的检查方案。不同厂商专用软件算法之间应变参考值的差异进一步阻碍了其在临床的推广应用。此外，手动勾画左心房轮廓耗时较长，且易受观察者间变异的影响，在心房形态不规则或缩短的情况下误差尤为显著21,28,29,31。这些问题凸显了开发自动化解决方案以提高可重复性和诊断准确性的迫切需求。

访问受限。请登录或开始试用以查看此内容。

披露

作者声明不存在利益冲突。

致谢

本研究由成都医学院—成都医学院第二附属医院与核工业416医院临床科研基金（2022LHFSZYB-10）资助。

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
3.0 T MRI 扫描仪Siemens HealthineersSkyra 3.0 T具有先进心脏和体部成像能力的高分辨率临床/科研 MRI 系统。
3D Slicer开源社区https://www.slicer.org/用于医学图像分析（分割、配准、三维可视化）的免费开源软件。由美国国立卫生研究院（NIH）支持。
PyTorchMeta Platforms, Inc.https://pytorch.org/具有动态计算图的开源深度学习框架，广泛用于人工智能研究和模型部署，支持 GPU 加速。

参考文献

  1. Doerner, J., Bunck, A. C., Michels, G., Maintz, D., Baeßler, B. Incremental value of cardiovascular magnetic resonance feature tracking derived atrial and ventricular strain parameters in a comprehensive approach for the diagnosis of acute myocarditis. Eur Radiol. 104, 120-128 (2018).
  2. Lee, J., et al. Left atrial strain derived from cardiac magnetic resonance imaging can predict outcomes of patients with acute myocarditis. Korean J Radiol. 24 (6), 512-521 (2023).
  3. Chen, Y., et al. Prognostic significance of cardiac magnetic resonance in left atrial and biventricular strain analysis during the follow-up of suspected myocarditis. J Clin Med. 12 (2), 457(2023).
  4. Cau, R., et al. Atrial and ventricular strain imaging using CMR in the prediction of ventricular arrhythmia in patients with myocarditis. J Clin Med. 13 (3), 662(2024).
  5. Cau, R., et al. Effect of late gadolinium enhancement on left atrial impairment in myocarditis patients. Eur Radiol. 34 (3), 1846-1853 (2024).
  6. Altmann, S., et al. Compressed sensing acceleration of cardiac cine imaging allows reliable and reproducible assessment of volumetric and functional parameters of the left and right atrium. Eur Radiol. 31 (10), 7219-7230 (2021).
  7. Galazis, C., et al. High-resolution maps of left atrial displacements and strains estimated with 3D cine MRI using online-learning neural networks. IEEE Trans Med Imaging. 44 (5), 2056-2067 (2025).
  8. Leng, S., et al. Long-term prognostic value of cardiac MRI left atrial strain in ST-segment elevation myocardial infarction. Radiology. 296 (2), 299-309 (2020).
  9. Alfuhied, A., et al. Reproducibility of left atrial function using cardiac magnetic resonance imaging. Eur Radiol. 31 (5), 2788-2797 (2021).
  10. Habibi, M., et al. Left atrial mechanical function and incident ischemic cerebrovascular events independent of AF: insights from the MESA study. JACC Cardiovasc Imaging. 12 (12), 2417-2427 (2019).
  11. Raafs, A. G., et al. Left atrial strain has superior prognostic value to ventricular function and delayed-enhancement in dilated cardiomyopathy. JACC Cardiovasc Imaging. 15 (6), 1015-1026 (2022).
  12. Kim, J., et al. Left atrial strain impairment precedes geometric remodeling as a marker of post-myocardial infarction diastolic dysfunction. JACC Cardiovasc Imaging. 13 (10), 2099-2113 (2020).
  13. Khanna, S., et al. Characterization of subclinical cardiac dysfunction by speckle-tracking echocardiography in patients with non-severe acute-phase myocarditis. Am J Cardiol. 207, 285-291 (2023).
  14. Frumkin, D., et al. Comparative analysis of phasic left atrial strain and left ventricular posterolateral strain pattern to discriminate Fabry cardiomyopathy from other forms of left ventricular hypertrophy. Echocardiogr J Cardiol. 38 (11), 1870-1878 (2021).
  15. Schneider, J. N., et al. Feature-tracking cardiovascular magnetic resonance reveals recovery of atrial function after acute myocarditis. Int J Cardiovasc Imaging. 38 (9), 2003-2012 (2022).
  16. Meindl, C., et al. Left atrial strain parameters derived by echocardiography are impaired in patients with acute myocarditis and preserved systolic left ventricular function. Int J Cardiovasc Imaging. 39 (6), 1157-1165 (2023).
  17. Dick, A., et al. Left and right atrial feature-tracking in acute myocarditis: a feasibility study. Eur J Radiol. 89, 72-80 (2017).
  18. Yang, F., et al. Prognostic value of fast semi-automated left atrial long-axis strain analysis in hypertrophic cardiomyopathy. J Cardiovasc Magn Reson. 23 (1), 36(2021).
  19. Liu, S. Z., et al. Quantification of left atrial function by the area-length method overestimates left atrial emptying fraction. Eur Radiol. 160, 110705(2023).
  20. Posina, K., et al. Relationship of phasic left atrial volume and emptying function to left ventricular filling pressure: a cardiovascular magnetic resonance study. J Cardiovasc Magn Reson. 15, 99(2013).
  21. Tondi, L., et al. The use of dedicated long-axis views focused on the left atrium improves the accuracy of left atrial volumes and emptying fraction measured by cardiovascular magnetic resonance. J Cardiovasc Magn Reson. 25 (1), 10(2023).
  22. Hu, J., Olaisen, S. H., Smistad, E., Dalen, H., Lovstakken, L. Automated 2-D and 3-D left atrial volume measurements using deep learning. Ultrasound Med Biol. 50 (1), 47-56 (2024).
  23. Chen, Z., et al. Joint suppression of cardiac bSSFP cine banding and flow artifacts using twofold phase-cycling and a dual-encoder neural network. J Cardiovasc Magn Reson. 26 (2), 101123(2024).
  24. Leiner, T., et al. SCMR position paper (2020) on clinical indications for cardiovascular magnetic resonance. J Cardiovasc Magn Reson. 22 (1), 76(2020).
  25. Schulz-Menger, J., et al. Standardized image interpretation and post-processing in cardiovascular magnetic resonance-2020 update: Society for Cardiovascular Magnetic Resonance (SCMR) Board of Trustees Task Force on Standardized Post-Processing. J Cardiovasc Magn Reson. 22 (1), 19(2020).
  26. Pinter, C., Lasso, A., Fichtinger, G. Polymorph segmentation representation for medical image computing. Comput Methods Programs Biomed. 171, 19-26 (2019).
  27. Reversible adversarial examples based on self-embedding watermark for image privacy protection. Cao, X., et al. International Joint Conference on Neural Networks (IJCNN), Yokohama, Japan, , (2024).
  28. Cau, R., et al. Atrial and ventricular strain using cardiovascular magnetic resonance in the prediction of outcomes of pericarditis patients: a pilot study. Eur Radiol. 34 (9), 5724-5735 (2024).
  29. An, S., et al. Cardiac magnetic resonance assessment of cardiac function across chronic kidney disease stages. Nephrol Dial Transplant. 40 (5), 908-916 (2024).
  30. Wylie, J. V., et al. Left atrial function and scar after catheter ablation of atrial fibrillation. Heart Rhythm. 5 (5), 656-662 (2008).
  31. Maceira, A. M., Cosín-Sales, J., Roughton, M., Prasad, S. K., Pennell, D. J. Reference left atrial dimensions and volumes by steady-state free precession cardiovascular magnetic resonance. J Cardiovasc Magn Reson. 12, 65(2010).
  32. Wang, Y. J., et al. Screening and diagnosis of cardiovascular disease using artificial intelligence-enabled cardiac magnetic resonance imaging. Nat Med. 30 (5), 1471-1480 (2024).
  33. Wang, S., et al. AI-based CMR assessment of biventricular function: clinical significance of intervendor variability and measurement errors. JACC Cardiovasc Imaging. 15 (3), 413-427 (2022).
  34. Lima, J. A. C., Venkatesh, B. A. Building confidence in AI-interpreted CMR. JACC Cardiovasc Imaging. 15 (3), 428-430 (2022).
  35. Oikonomou, E. K., et al. A multimodal video-based AI biomarker for aortic stenosis development and progression. JAMA Cardiol. 9 (6), 534-544 (2024).
  36. Bucciarelli-Ducci, C., Ajmone-Marsan, N., Di Carli, M., Nicol, E. The year in cardiovascular medicine 2021: imaging. Eur Heart J. 43 (13), 1288-1295 (2022).
  37. Chen, J., et al. JAS-GAN: generative adversarial network based joint atrium and scar segmentations on unbalanced atrial targets. IEEE J Biomed Health Inform. 26 (1), 103-114 (2022).
  38. Al Khalil, Y., et al. On the usability of synthetic data for improving the robustness of deep learning-based segmentation of cardiac magnetic resonance images. Med Image Anal. 84, 102688(2023).
  39. Xia, Y., et al. Recovering from missing data in population imaging-cardiac MR image imputation via conditional generative adversarial nets. Med Image Anal. 67, 101812(2021).
  40. Ruijsink, B., et al. Fully automated, quality-controlled cardiac analysis from CMR: validation and large-scale application to characterize cardiac function. JACC Cardiovasc Imaging. 13 (3), 684-695 (2020).
  41. Fournel, J., et al. Medical image segmentation automatic quality control: a multi-dimensional approach. Med Image Anal. 74, 102213(2021).
  42. Campello, V. M., et al. Multi-centre, multi-vendor and multi-disease cardiac segmentation: the M&Ms challenge. IEEE Trans Med Imaging. 40 (12), 3543-3554 (2021).
  43. Zhuang, X. Multivariate mixture model for myocardial segmentation combining multi-source images. IEEE Trans Pattern Anal Mach Intell. 41 (12), 2933-2946 (2019).
  44. Zakeri, A., Hokmabadi, A., Ravikumar, N., Frangi, A. F., Gooya, A. A probabilistic deep motion model for unsupervised cardiac shape anomaly assessment. Med Image Anal. 75, 102276(2022).

访问受限。请登录或开始试用以查看此内容。

重印与许可

标签

视频即将推出
联系我们
向图书馆推荐

隐私

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。