Methodenartikel

Segmentierung des linken Vorhofs in kardiovaskulären Magnetresonanzbildern von Patienten mit Myokarditis

620 Ansichten

⸱

DOI:

10.3791/68664

⸱

18. Juli 2025

 ,  ,  ,  ,  ,  ,  ,  , 
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

In diesem Artikel

Zusammenfassung

Die dreidimensionale, vollständig gefaltete netzwerkgestützte Cine-Analyse ermöglicht eine präzise Beurteilung der linksatrialen Funktion bei Myokarditis, verbessert die Früherkennung systolisch-diastolischer Dysfunktion und reduziert Fehler bei der Vorhersage der Ejektionsfraktion für die klinische Diagnose und Überwachung der atrialen mechanischen Dysfunktion.

Zusammenfassung

Kardiovaskuläre Magnetresonanz-Cine-Sequenzen (CMR) dienen als Eckpfeiler der bildgebenden Verfahren zur Beurteilung der dynamischen linksatrialen (LA) Funktion bei Myokarditis-Patienten. Durch die Erfassung dreidimensionaler Bewegungsmerkmale während des gesamten Herzzyklus mit hoher zeitlicher Auflösung liefert diese Modalität wichtige Daten für die Analyse der kontraktilen Koordination des Myokards und von Wandbewegungsanomalien. Wichtige technologische Innovationen, wie z. B. dynamische Modellierung und stammkodierte Bildgebung, ermöglichen die quantitative Beurteilung der systolisch-diastolischen Dysfunktion von LA im Frühstadium bei Myokarditis. Die größten Herausforderungen bei der Segmentierung von Cine-Sequenzen betreffen jedoch dynamische Artefakte und die räumlich-zeitliche Kontinuitätsmodellierung dünnwandiger Strukturen. Herkömmliche schwellenwertbasierte Segmentierungsmethoden zeigen eine begrenzte Konsistenz in dynamischen Sequenzen, da sie Bewegungsmuster nicht erfassen können. Deep-Learning-Ansätze, die ein dreidimensionales Fully Convolutional Network (3D-FCN) verwenden, erreichten eine überlegene Genauigkeit durch drei strategische Verbesserungen: (1) Raum-Zeitliche Merkmalsfusion: Dabei wurden 3D-Faltungskerne verwendet, um gleichzeitig räumliche Strukturen und zeitlich-dimensionale Merkmale zu extrahieren und dadurch Bewegungsunschärfeeffekte zu reduzieren. (2) Dynamische Skip-Verbindungen: In Encoder-Decoder-Architekturen integriert, verstärkten diese Verbindungen die Modellierung der Deformationskorrelation über verschiedene Herzphasen hinweg durch zeitübergreifende Merkmalsausbreitung. (3) Leichtes Design: Durch die Verwendung von Patch-weiser Verarbeitung und tiefentrennbaren Faltungen wurde die Recheneffizienz für die Echtzeitverarbeitung großer vierdimensionaler Datensätze optimiert. Das 3D-FCN erreichte einen Würfelkoeffizienten von 0,921 für die LA-Segmentierung, was einer Verbesserung von 12,3 % gegenüber herkömmlichen Methoden entspricht. Dieses Design reduzierte den Vorhersagefehler der LA-Ejektionsfraktion von 8,7 % auf 3,2 %. Die Segmentierungsergebnisse erleichterten direkt die Berechnung quantitativer Metriken, einschließlich LA-Volumen-Zeit-Kurven und Dehnungsraten. Diese Metriken unterstützten die klinische Diagnose einer Myokarditis-assoziierten atrialen mechanischen Dysfunktion.

Einleitung

Kardiovaskuläre Magnetresonanz-Cine-Sequenzen (CMR) als zentrale Bildgebungsmodalität zur Beurteilung der dynamischen linksatrialen (LA) Funktion bei Myokarditis-Patienten liefern wichtige Daten für die Identifizierung von Anomalien in der myokardialen kontraktilen Koordination und der frühen diastolischen Dysfunktion, wobei sie ihre hohe zeitliche Auflösung und dreidimensionale Bewegungserfassungsfähigkeiten nutzen 1,2,3,4,5 . Durch stammkodierte Bildgebung und dynamische Bewegungsmodellierungstechniken ermöglichen CMR-Cine-Sequenzen eine präzise Detektion von Myokardödemen und Fibrosen, die stark mit histopathologischen Veränderungen korrelieren und wichtige unerwünschte kardiovaskuläre Ereignisse vorhersagen 6,7,8,9. Die CMR-Merkmalsverfolgung ermöglicht die quantitative Bewertung der LA-Dehnung unter Berücksichtigung der Funktionen des Reservoirs, der Leitung und der Pumpe. Ein erhöhter linksatrialer Druck, der mit einer linksventrikulären diastolischen Dysfunktion einhergeht, kann indirekt durch die LA-Dehnungsratenanalyse mittels CMR bewertet werden, was Einblicke in abnormale linksventrikuläre Füllungsmuster gibt 8,10,11,12.

Bei der Myokarditis weisen spezifische Stammmetriken - wie passive und aktive Belastung - starke Korrelationen mit der Myokardfibrose auf, was eine frühzeitige Erkennung einer kompensatorischen Dysfunktion in der LA-Mechanik ermöglicht 13,14,15,16. Bemerkenswert ist, dass die Reduktion des LA-Stammes bei Myokarditis-Patienten oft der strukturellen Dilatation vorausgeht, und CMR-Cine-Sequenzen erfassen diese frühen Umbaumuster empfindlich und bieten ein kritisches Zeitfenster für eine rechtzeitige klinische Intervention. Die Segmentierung von Cine-Sequenzen steht jedoch vor mehreren Herausforderungen: Die dünnwandige LA-Struktur ist anfällig für Artefakte der Atembewegung, was zu Fehlern bei der Berechnung der Ejektionsfraktion führt, während traditionelle schwellenwertbasierte Segmentierungsmethoden das minimale Volumen der LA systematisch überschätzen, da sie nicht in der Lage sind, asymmetrische Deformationsmuster zu erfassen15,17.

In den letzten Jahren hat die Compressed Sensing-Technologie die Scanzeit durch k-Space-Undersampling reduziert, was eine hohe Korrelation mit Goldstandardmessungen für die passive LA-Ejektionsfraktion zeigt, obwohl die Unterschätzung der Gesamtejektionsfraktion und der aktiven Pumpfunktion noch optimiert werden muss 18,19,20,21 . Insbesondere haben Deep-Learning-gesteuerte Modelle zur Vorhersage kardialer Bewegungen durch die Integration von Phasengeschwindigkeitskodierung und adaptiven Bewegungskorrekturalgorithmen eine genaue dynamische LA-Funktionsmodellierung in Freiatmungssequenzen erreicht22,23. Diese Studie zielt darauf ab, mithilfe von Deep-Learning-Algorithmen eine wichtige Grundlage für die klinische Diagnose der Myokarditis-assoziierten mechanischen Dysfunktion der LA zu schaffen und eine personalisierte Risikostratifizierung und prognostische Vorhersage für Myokarditis-Patienten zu ermöglichen.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

Die Ethikkommission des Chengdu Medical College stellte fest, dass diese Studie die Kriterien für den Verzicht auf die Einwilligungserklärung erfüllte. Die Forschung hielt sich an die Prinzipien, die in der Deklaration von Helsinki dargelegt sind.

1. Auswahl des Patienten

  1. Verwenden Sie die folgenden Einschlusskriterien: Patienten mit Myokarditis, die die klinischen Kriterien für eine akute Myokarditis erfüllen, einschließlich postviraler Symptome, erhöhter Biomarker und Anomalien im Elektrokardiogramm (EKG).
  2. Patienten mit folgenden Erkrankungen ausschließen: ischämische, valvuläre oder angeborene Herzfehler; sekundäre Myokardschädigung durch Medikamente, Chemotherapie oder Infektionen; nicht-diagnostische Bildgebung; Erkrankungen mit hohem Risiko (Schwangerschaft, Nierenfunktionsstörung oder hämodynamische Instabilität).

2. CMR-Bildgebungsprotokoll und Scan-Parameter

  1. Konfiguration des Scanners
    1. Betreiben Sie einen 3,0-Tesla-Magnetresonanztomographen, der mit einer 32-Kanal-Herz-Phased-Array-Spule ausgestattet ist, innerhalb von 14 bis 28 Tagen nach Auftreten der Symptome.
    2. Führen Sie die Spulenverifizierung mit der Spulenprüffunktion der Konsole durch, gefolgt von einer automatischen Kalibrierungsroutine.
      HINWEIS: Die Positionierung des Patienten erfordert eine Ausrichtung in Rückenlage, wobei die Spule an der linken mittleren Achsellinie zentriert ist.
  2. Funktionsbeurteilung des linken Vorhofs
    1. Initiieren Sie die ausgewogene Steady-State-Cine-Bildgebung mit freier Präzession über Protocol Manager > Cardiac > Cine_balanced Steady-State-freie Präzession (bSSFP).
    2. Konfigurieren Sie das retrospektive Elektrokardiogramm-Gating, indem Sie den Parameter Trigger-Fenster auf 15 % für die Arrhythmie-Akkommodation festlegen.
    3. Erreichen Sie eine vollständige Abdeckung des Herzzyklus, indem Sie eine zeitliche Auflösung von 33 ms (30 Phasen) über 12 k-Raumsegmente programmieren.
      HINWEIS: Zu den wichtigsten Parametern gehören Wiederholungszeit/Echozeit 3,0/1,5 ms, Flip-Winkel 45 °, Bandbreite 930 Hz/Pixel und Matrix 256×256.
  3. Standard-Erfassung der Herzebene
    1. Erhalten Sie Scout-Bilder mit einer Lokalisierungssequenz mit drei Ebenen, die ca. 18 s dauert.
    2. Verschreiben Sie eine Vier-Kammer-Ansicht, indem Sie die Bildgebungsebene durch die linksventrikuläre Spitze und die Mitralklappe in der Mitte des axialen Lokalisierers ausrichten.
    3. Erzeugen Sie eine Zwei-Kammer-Ansicht, indem Sie die Vier-Kammer-Verschreibung duplizieren und eine Drehung um 60° im Uhrzeigersinn anwenden.
  4. Parallele Bildgebungsimplementierung
    1. Aktivieren Sie die generalisierte Autokalibrierung für die teilweise parallele Erfassung auf der Registerkarte Beschleunigung der Konsole mit parallelem Bildgebungsfaktor 2.
    2. Aktivieren Sie die partielle Fourier-Abtastung, indem Sie Phase Partial Fourier auf eine 6/8-Konfiguration einstellen.
    3. Führen Sie eine Referenzkalibrierung mit 24 Autokalibrierungssignalleitungen durch, die 22 s benötigen.
      HINWEIS: Zu den wichtigsten Scan-Parametern gehören TR/TE = 3,0 ms/1,5 ms, Flip-Winkel = 45° und Bandbreite = 930 Hz/Pixel.
  5. Spezifische Bildgebung des linken Vorhofs
    1. Identifizieren Sie anatomische Orientierungspunkte, einschließlich des Mitralanulus in der Mitte der Diastole, des trichterförmigen linken Vorhofdachs 15 mm vom Septum entfernt und der Öffnung des linken Vorhofohrs (LAA), die eine ausgeprägte Lobärarchitektur zeigt.
    2. Richten Sie die Längsachsenebenen senkrecht zur Vierkammeransicht aus, die sich von den Lungenvenenöffnungen bis zur Spitze des linken Vorhofohrs erstreckt.
      HINWEIS: Drei wesentliche anatomische Orientierungspunkte leiten die Lokalisierung der CMR-Ebene: der Mitralring, der eine mitteldiastolische Visualisierung beider Segel erfordert, das trichterförmige LA-Dach, das 15 mm vom Septum entfernt am rechten Ostium der oberen Lungenvene zentriert ist, und die LAA-Öffnung, die eine klare lappenförmige Architektur mit deutlichen Grenzen von der linken oberen Lungenvene zeigt.
  6. Kurzachsige Stapelerfassung
    1. Verschreiben Sie zusammenhängende kurzachsige Schnitte parallel zur Mitralanulusebene unter Verwendung der diastolischen Zweikammer-Ansichtsführung.
    2. Konfigurieren Sie die Schnittgeometrie mit einer Dicke von 3 mm, insgesamt 15 Schichten, die von den Ursprüngen der Lungenvene bis zur linksventrikulären Spitze reichen.
  7. Hochauflösende Bildgebung
    1. Verwenden Sie eine gezoomte, symmetrische, stationäre freie Präzessionssequenz mit einer Auflösung von 0,8×0,8×2,5 mm und einer Bandbreite von 1200 Hz/Pixel.
    2. Positionieren Sie das diastolische Sättigungsband über dem Ausfluss des linken Vorhofohrs bei 50 ms nach der R-Welle mit einer Dicke von 10 mm.
  8. Steuerung der Atembewegung
    1. Setzen Sie das Navigator-Gating ein, indem Sie die Membranverfolgungsfunktion an der rechten Hemidiaphragmakuppel mit einem Akzeptanzfenster von 5 mm aktivieren.
    2. Minimieren Sie die Dauer des Atemanhaltens, indem Sie die Rekonstruktion von Compressed Sensing mit einem Beschleunigungsfaktor von 4,0 ermöglichen und stationäre freie Präzessionssequenzen in Echtzeit implementieren.
      HINWEIS: Um die Patientensicherheit zu gewährleisten, hielt sich diese Studie strikt an das Positionspapier der Society for cardiovascular magnetic resonance (SCMR) (2020) zu klinischen Indikationen für die kardiovaskuläre Magnetresonanz24.

3. Datenvorverarbeitung und Qualitätskontrolle

  1. Verwenden Sie eine unstarre B-Spline-Registrierung, um respiratorische und arrhythmiebedingte Fehlstellungen (maximale Toleranz ± 4 mm) für die Bewegungskorrektur zu beheben.
  2. Verwenden Sie die N4-Bias-Feldkorrektur und den Histogrammabgleich, um die Intensität über alle Scanner hinweg für die Signalhomogenisierung zu standardisieren.
  3. Führen Sie Goldstandard-Annotationen durch zwei erfahrene Radiologen (>5 Jahre Erfahrung) im 3D Slicer gemäß der Richtlinie25 durch.
    HINWEIS: Die Systemanforderungen, die Installationsschritte, die grundlegenden Funktionsmodule und der Arbeitsablauf basieren auf dem offiziellen Leitfaden26.
  4. Lösen Sie dünne LA-Wände (<2 mm) mit 50 % Graustufen-Gradientenschwellenwerten auf. Die Übereinstimmung zwischen den Beobachtern für Annotationen überstieg den ICC-Wert > 0,91 und der Würfel > 0,95, was eine robuste Ground-Truth für das Modelltraining und die Validierung gewährleistet.
    HINWEIS: Alle Daten werden einer reversiblen Anonymisierung unterzogen, die die Privatsphäre durch gegnerische Störungen und sichtbare Wasserzeichen schützt und gleichzeitig eine autorisierte Entschlüsselung und Wiederherstellung ermöglicht. Temporär gespeicherte Daten werden mit strengen Zugriffskontrollen verschlüsselt und bei der Entsorgung kryptographisch gelöscht27.

4. Raum-Zeit-Merkmalsfusionstechnologie

  1. Setzen Sie einen Deep-Learning-Ansatz ein, der auf einem 3D-Full-Convolutional-Netzwerk (3D-FCN) basiert, um die Genauigkeit der linksatrialen Segmentierung über alle Herzphasen hinweg zu verbessern.
  2. Integrieren Sie raumzeitliche Feature-Pyramidenmodule mit Dilatationsraten von 1, 2, 4 und 8 in die 3D-FCN-Architektur, um Myokardbewegungsmuster über mehrere Auflösungsskalen hinweg zu erfassen.
    HINWEIS: Bei der Merkmalsextraktion werden fünf Encoder-Stufen mit Kanalabmessungen [32, 64, 128, 256, 512] verwendet, die mit jedem Downsampling-Vorgang schrittweise zunehmen.

5. Netzwerkarchitektur

  1. Multiskalige raumzeitliche Modellierung
    1. Stellen Sie hierarchische 3D-Faltungskerne (Kernelgröße 3 × 3 × 3, Stride 1 × 1 × 1, Dilatationsrate 2) mit drei Auflösungen (16 × 16 × 16, 32 × 32 × 32, 64 × 64 × 64) bereit.
    2. Erfassen Sie skalenübergreifende raumzeitliche Korrelationen, die die lokale Faserbewegung bis zur globalen ventrikulären Kontraktion abdecken.
  2. Konfiguration der Eingabe
    1. Verwenden Sie einen 4D-Tensoreingang (Kanäle × Zeit × Höhe × Breite = 4 × 30 × 256 × 256), der einen vollständigen Herzzyklus abdeckt.
    2. Umfasst Vierkammer- und Zweikammer-Cine-Sequenzen mit 30 Bildern pro Zyklus bei einer zeitlichen Auflösung von 33 ms.

6. Dynamische Skip-Verbindung

HINWEIS: Eine zyklusübergreifende dynamische Skip-Verbindung wurde mit adaptiver Gewichtungszuweisung entwickelt, um die zeitlichen Eigenschaften von Cine-Sequenzen zu berücksichtigen.

  1. Encoder
    1. Entwerfen Sie fünfstufige 3D-Restblöcke (jeweils mit vier 3 × 3 × 3 Faltungen, wobei die Kanalanzahl von 64 auf 512 erweitert wird), um räumlich-zeitliche Merkmale zu extrahieren.
    2. Dynamische Unterdrückung von Atembewegungsartefakten und Blutflussgeräuschen durch Berechnung von raumzeitlichen Gewichtsmatrizen in einem raumzeitlichen Aufmerksamkeitstor.
    3. Extrahieren von raumzeitlichen Features mit mehreren Skalen mit Ausgabe-Tensordimensionen [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 = 30 Frames/Zyklus) in einer Fünf-Layer-Pyramide.
  2. Decoder
    1. Kombinieren Sie semantische Merkmale auf hoher Ebene (64 × 64 × 64 Auflösungen) mit Merkmalen mit niedriger Auflösung (16 × 16 × 16) über eine 3D-transponierte Faltung (Kerngröße 2 × 2 × 2, Schritt 2) für eine skalenübergreifende Merkmalsfusion.
    2. Gewährleisten Sie eine synchronisierte räumlich-zeitliche Verfeinerung in der temporalen Interpolation (kubische Spline-Interpolation, temporaler Faktor 0,5).
    3. Etablieren Sie zeitliche Abhängigkeiten in bidirektionalen Gated Recurrent Unit-Modulen, indem Sie sowohl vorwärts als auch rückwärts verborgene Zustände nutzen, um langfristige kontextuelle Muster zu erfassen und gleichzeitig Probleme mit verschwindenden Gradienten durch Gating-Mechanismen zu mildern.
    4. Dynamische Fusion von Features aus benachbarten 5 Frames in der zeitlichen Ausrichtungsfaltung (Kerngröße 3 × 3 × 3, Schritt 1 × 1 × 1, Dilatationsrate 2).

7. Strategie der adaptiven Gewichtsverteilung

  1. Konfigurieren Sie Verarbeitungspfade mit zwei Verzweigungen innerhalb des Attention-Gating-Moduls vom Typ "spatiotemporal", um räumliche und zeitliche Feature-Beiträge während des Netzwerkvorgangs dynamisch auszugleichen.
  2. Berechnen Sie räumliche Gewichtsmatrizen für 3 × 3 verformbare Windungen, wobei die Myokardgrenzen (dünnwandige LA-Strukturen <2 mm) hervorgehoben und Atembewegungsartefakte im räumlichen Aufmerksamkeitszweig kompensiert werden.
  3. Priorisieren Sie kritische Korrelationen in der kardialen Phase, indem Sie zeitliche Gewichtungskoeffizienten basierend auf Gewebedeformationsmetriken generieren, die von Myokardverdrängungsvektoren abgeleitet werden.

8. Stabilisierung des Restwegs

  1. Lassen Sie während des Trainings zufällig vorübergehend verworfene Verbindungen aus, um die Stabilität zu erhöhen und eine Gradientenexplosion und einen Funktionskollaps zu verhindern.
  2. Beschränken Sie Gewichtungsmatrizen, um die Merkmalsausbreitung zu stabilisieren.
    1. Wenden Sie die L2-Regularisierung mit einem Koeffizienten von null Komma eins an, um Aktualisierungen der Gewichtungsmatrix einzuschränken.
    2. Begrenzen Sie den maximalen Wert des Gewichtsgradienten für das Ausschneiden auf einen Punkt Null.
    3. Initialisieren Sie Gewichtungen mit einem Skalierungsfaktor aus der Quadratwurzel von zwei geteilt durch die Anzahl der Eingabeknoten.
  3. Kanalreduzierung mit tiefentrennbarer Faltung
    1. Initialisieren Sie die tiefenbezogene Faltung mit Kernelgröße 3 in allen drei Dimensionen, wobei die Gruppenanzahl der Dimension des Eingangskanals entspricht.
    2. Wenden Sie punktweise Faltung mit 1×1×1-Kernelkonfiguration an, um Feature-Kanäle von 512 bis 64 Dimensionen zu projizieren.
    3. Führen Sie die Batch-Normalisierung und die parametrische Aktivierung gleichgerichteter linearer Einheiten vor KE-Verkettungsoperationen aus.
  4. Segmentierungssynthese und Artefaktunterdrückung
    1. Verschmelzen Sie die Ausgabe der raumzeitlichen Modellierung mit adaptiven Aufmerksamkeitsmerkmalskarten durch kanalweise Verkettung.
    2. Verbessern Sie die Abgrenzung der Myokardgrenzen mit Hilfe von Multiskalen-Konturbeschränkungen, die speziell auf Regionen angewendet werden, die dünner als 2 mm sind.
    3. Implementieren Sie die Unterdrückung von Bewegungsartefakten durch zeitlich gewichtete Merkmalsstabilisierung über Herzphasen hinweg.
    4. Generieren Sie eine endgültige linksatriale Segmentierung über eine 1×1×1-Faltungsausgabeschicht mit Sigmoidaktivierung.
      HINWEIS: Zur visuellen Validierung werden die Segmentierungsergebnisse mit Hilfe von 3D-Oberflächen-Rendering angezeigt, das mit den Original-Bildslices überlagert ist (halbtransparente Masken-Overlay-Technik), um die anatomische Kontinuität der dünnwandigen Strukturen des linken Vorhofs zu gewährleisten. Für die quantitative Bewertung werden Metriken wie der Würfelkoeffizient und die Hausdorff-Distanz (HD) verwendet.

9. Weitere Anleitungen zur Fehlerbehebung

  1. Passen Sie die EKG-Gating-Parameter an, um eine zeitliche Auflösung von 25-35 ms für eine optimale Erfassung der Herzphase zu erreichen.
  2. Implementieren Sie eine Atemkompensation mit 5-mm-Navigator-Anschnittfenstern, um atembedingte Bewegungsartefakte zu minimieren.
  3. Stellen Sie die richtige Positionierung des Patienten sicher und geben Sie während des gesamten bildgebenden Verfahrens klare Atemanweisungen.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

An einem CMR-Datensatz mit 200 Myokarditis-Patienten erreichte das vorgeschlagene Framework einen Würfelkoeffizienten von 0,921 für die LA-Segmentierung, was einer Verbesserung von 12,3 % gegenüber Basismodellen entspricht, mit einer Verarbeitungsgeschwindigkeit von 18 Bildern pro Sekunde (fps). Durch den Einsatz dynamischer Kernel-Destillation zur Übertragung von High-Level-Abstract-Merkmalen auf Low-Level-Features wurde das HD-Mindestvolumen (LAVmin) von 3,2 mm auf 1,7 mm optimiert (Reduktion: 46,9%). Bei dü...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

Diese Studie erreichte eine präzise Quantifizierung der LA-Struktur und -Funktion bei Myokarditis-Patienten durch standardisierte CMR-Protokolle und dedizierte LA-Scan-Parameter, kombiniert mit einer effizienten Merkmalsextraktion und einer automatisierten schnellen Segmentierung mittels 3D-FCN. Das synergistische Zusammenspiel zwischen optimierten Bildgebungsparametern und algorithmischen Innovationen schafft eine robuste technische Grundlage für die klinische Translation.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

Die Autoren erklären, dass keine Interessenkonflikte bestehen.

Danksagungen

Diese Studie wurde vom Clinical Scientific Research Fund des Chengdu Medical College - Second Affiliated Hospital des Chengdu Medical College und des Nuclear Corportation 416 Hospital (2022LHFSZYB-10) unterstützt.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
3,0 T MRT-ScannerSiemens HealthineersSkyra 3,0 THochauflösendes MRT-System für Klinik und Forschung mit fortschrittlichen Funktionen für die Bildgebung von Herz und Körper.
3D SlicerOpen-Source-Communityhttps://www.slicer.org/Kostenlose, quelloffene Software für die medizinische Bildanalyse (Segmentierung, Registrierung, 3D-Visualisierung). Unterstützt von NIH.
PyTorchMeta Platforms, Inc.https://pytorch.org/Open-Source-Deep-Learning-Framework mit dynamischen Berechnungsgraphen, das häufig für die KI-Forschung und den Einsatz von Modellen verwendet wird. Unterstützt GPU-Beschleunigung.

Referenzen

  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).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

Segmentierung des linken VorhofsMyokarditis PatientenCine SequenzenDeep Learning Segmentierungraumzeitliche Merkmalsfusiondreidimensionale Faltungdynamische Skip Connectionsmechanische Dysfunktion des VorhofsLA Volumenkurven
Video demnächst verfügbar

Verwandte Artikel