Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.

Artículo de método

Segmentación de la aurícula izquierda en resonancia magnética cardiovascular de pacientes con miocarditis

621 vistas

⸱

DOI:

10.3791/68664

⸱

18 de julio de 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

En este artículo

Resumen

El análisis tridimensional de cine mejorado por red totalmente convolucional permite una evaluación precisa de la función auricular izquierda en la miocarditis, mejorando la detección temprana de la disfunción sistólica-diastólica y reduciendo los errores de predicción de la fracción de eyección para el diagnóstico clínico y el seguimiento de la disfunción mecánica auricular.

Resumen

Las secuencias de cine de resonancia magnética cardiovascular (RMC) sirven como técnica de imagen fundamental para evaluar la función dinámica de la aurícula izquierda (LA) en pacientes con miocarditis. Al capturar las características de movimiento tridimensional a lo largo del ciclo cardíaco con alta resolución temporal, esta modalidad proporciona datos críticos para analizar la coordinación contráctil miocárdica y las anomalías del movimiento de la pared. Las innovaciones tecnológicas clave, como el modelado dinámico y las imágenes codificadas por tensión, permiten la evaluación cuantitativa de la disfunción sistólica-diastólica de la AI en etapa temprana en la miocarditis. Sin embargo, los principales desafíos en la segmentación de secuencias de cine involucran artefactos dinámicos y modelado de continuidad espacio-temporal de estructuras de paredes delgadas. Los métodos tradicionales de segmentación basados en umbrales demuestran una consistencia limitada en las secuencias dinámicas debido a su incapacidad para capturar patrones de movimiento. Los enfoques de aprendizaje profundo que utilizan redes tridimensionales totalmente convolucionales (3D-FCN) lograron una precisión superior a través de tres mejoras estratégicas: (1) Fusión de características espaciotemporales: empleó kernels convolucionales 3D para extraer simultáneamente estructuras espaciales y características dimensionales temporales, reduciendo así los efectos de desenfoque de movimiento. (2) Conexiones dinámicas de salto: Incorporadas dentro de las arquitecturas de codificador-decodificador, estas conexiones fortalecieron el modelado de correlación de deformación a través de diferentes fases cardíacas a través de la propagación de características intertemporales. (3) Diseño ligero: Al utilizar el procesamiento de parches y las convoluciones separables en profundidad, la eficiencia computacional se optimizó para el procesamiento en tiempo real de conjuntos de datos cuatridimensionales a gran escala. El 3D-FCN logró un coeficiente de Dice de 0,921 para la segmentación LA, lo que representa una mejora del 12,3% con respecto a los métodos convencionales. Este diseño redujo el error de predicción de la fracción de eyección de LA del 8,7% al 3,2%. Los resultados de la segmentación facilitaron directamente el cálculo de métricas cuantitativas, incluidas las curvas de volumen-tiempo de LA y las tasas de deformación. Estas métricas apoyaron el diagnóstico clínico de la disfunción mecánica auricular asociada a la miocarditis.

Introducción

Las secuencias de cine por resonancia magnética cardiovascular (RMC), como modalidad de imagen central para evaluar la función dinámica de la aurícula izquierda (AI) en pacientes con miocarditis, proporcionan datos críticos para identificar anomalías en la coordinación contráctil miocárdica y disfunción diastólica temprana, aprovechando su alta resolución temporal y sus capacidades de captura de movimiento tridimensional 1,2,3,4,5 . A través de técnicas de imagen codificadas por deformación y modelado dinámico del movimiento, las secuencias de cine de RMC permiten la detección precisa de edema miocárdico y fibrosis, que se correlacionan fuertemente con los cambios histopatológicos y predicen eventos cardiovasculares adversos importantes 6,7,8,9. El seguimiento de las características de CMR permite la evaluación cuantitativa de la deformación de LA, reflejando sus funciones de depósito, conducto y bomba. La presión auricular izquierda elevada, que se asocia con disfunción diastólica ventricular izquierda, puede evaluarse indirectamente a través del análisis de la tasa de deformación de la AI mediante RMC, lo que proporciona información sobre los patrones anormales de llenado del ventrículo izquierdo 8,10,11,12.

En la miocarditis, las métricas específicas de la deformación, como la deformación pasiva y la deformación activa, presentan fuertes correlaciones con la fibrosis miocárdica, lo que permite la detección temprana de la disfunción compensatoria en la mecánica de la AI 13,14,15,16. En particular, las reducciones en la cepa de LA a menudo preceden a la dilatación estructural en los pacientes con miocarditis, y las secuencias de cine de RMC capturan con sensibilidad estos patrones de remodelación tempranos, ofreciendo una ventana crítica para una intervención clínica oportuna. Sin embargo, la segmentación de secuencias de cine enfrenta múltiples desafíos: la estructura de LA de pared delgada es susceptible a los artefactos de movimiento respiratorio, lo que lleva a errores en el cálculo de la fracción de eyección, mientras que los métodos tradicionales de segmentación basados en umbrales sobreestiman sistemáticamente el volumen mínimo de LA debido a su incapacidad para capturar patrones de deformación asimétricos15,17.

En los últimos años, la tecnología de detección comprimida ha reducido el tiempo de escaneo a través del submuestreo del espacio k, demostrando una alta correlación con las mediciones estándar de oro para la fracción de eyección pasiva de LA, aunque la subestimación de la fracción de eyección total y la función de la bomba activa aún no se ha optimizado 18,19,20,21. En particular, los modelos de predicción de movimiento cardíaco impulsados por el aprendizaje profundo han logrado un modelado funcional dinámico preciso de LA en secuencias de respiración libre mediante la integración de la codificación de la velocidad de fase y los algoritmos de corrección de movimiento adaptativo22,23. Este estudio tiene como objetivo utilizar algoritmos de aprendizaje profundo para establecer una base crítica para el diagnóstico clínico de la disfunción mecánica de la AI asociada a miocarditis, lo que permite la estratificación personalizada del riesgo y la predicción del pronóstico para los pacientes con miocarditis.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

El Comité de Ética de la Facultad de Medicina de Chengdu determinó que este estudio cumplía con los criterios para la renuncia al consentimiento informado. La investigación se adhirió a los principios esbozados en la Declaración de Helsinki.

1. Selección de pacientes

  1. Utilizar los siguientes criterios de inclusión: pacientes con miocarditis que cumplan criterios clínicos de miocarditis aguda, incluidos síntomas posvirales, biomarcadores elevados y anomalías en el electrocardiograma (ECG).
  2. Excluir a los pacientes con lo siguiente: cardiopatía isquémica, valvular o congénita; lesión miocárdica secundaria por fármacos, quimioterapia o infecciones; imágenes no diagnósticas; condiciones de alto riesgo (embarazo, disfunción renal o inestabilidad hemodinámica).

2. Protocolo de imagen CMR y parámetros de escaneo

  1. Configuración del escáner
    1. Operar un escáner de imágenes de resonancia magnética de 3.0 Tesla equipado con una bobina de matriz en fase cardíaca de 32 canales dentro de los 14 a 28 días posteriores al inicio de los síntomas.
    2. Ejecute la verificación de la bobina utilizando la función de verificación de bobina de la consola, seguida de una rutina de calibración automática.
      NOTA: El posicionamiento del paciente requiere una orientación supina con la bobina centrada en la línea axilar media izquierda.
  2. Evaluación funcional de la aurícula izquierda
    1. Inicie la obtención de imágenes de cine con precesión libre de estado estacionario equilibrado a través de la vía de precesión libre de estado estacionario > Protocol Manager Cardiac > Cine_balanced steadystate (bSSFP).
    2. Configure la activación del electrocardiograma retrospectivo con el parámetro Ventana de activación establecido en 15% para la adaptación de la arritmia.
    3. Logre una cobertura completa del ciclo cardíaco programando una resolución temporal de 33 ms (30 fases) a través de segmentos de espacio de 12 k.
      NOTA: Los parámetros clave incluyen tiempo de repetición/tiempo de eco de 3,0/1,5 ms, ángulo de giro de 45 °, ancho de banda de 930 Hz/píxel y matriz de 256×256.
  3. Adquisición del plano cardíaco estándar
    1. Obtenga imágenes de exploración utilizando una secuencia de localizador de tres planos, que tarda aproximadamente 18 s.
    2. Prescribir la vista de cuatro cámaras alineando el plano de imagen a través del ápex ventricular izquierdo y el centro de la válvula mitral en el localizador axial.
    3. Genere una vista de dos cámaras duplicando la prescripción de cuatro cámaras y aplicando una rotación de 60° en el sentido de las agujas del reloj.
  4. Implementación de imágenes paralelas
    1. Active la adquisición parcialmente paralela de autocalibración generalizada mediante la pestaña Aceleración de la consola con factor de imagen paralelo 2.
    2. Habilite el muestreo parcial de Fourier configurando el Fourier parcial de fase en una configuración de 6/8 .
    3. Realice la calibración de referencia con 24 líneas de señal de autocalibración que requieren 22 s.
      NOTA: Los parámetros clave de escaneo incluyen TR/TE = 3,0 ms/1,5 ms, ángulo de giro = 45° y ancho de banda = 930 Hz/píxel.
  5. Diagnóstico por imágenes específicas de la aurícula izquierda
    1. Identificar puntos de referencia anatómicos, como el anillo mitral a mediados de la diástole, el techo de la aurícula izquierda en forma de embudo a 15 mm del tabique y el orificio del apéndice auricular izquierdo (AAI) que muestra una arquitectura lobar distinta.
    2. Alinee el eje largo planesperpendicular a la vista de cuatro cámaras que abarca desde los orificios de las venas pulmonares hasta la punta de la orejuela auricular izquierda.
      NOTA: Tres puntos de referencia anatómicos esenciales guían la localización del plano de la RMC: el anillo mitral, que requiere la visualización diastólica media de ambos fovas, el techo de LA en forma de embudo centrado a 15 mm del tabique en el ostium de la vena pulmonar superior derecha, y el orificio LAA que muestra una arquitectura lobar clara con bordes distintos de la vena pulmonar superior izquierda.
  6. Adquisición de pilas de eje corto
    1. Prescribir cortes contiguos de eje corto paralelos al plano del anillo mitral utilizando la guía diastólica de vista de dos cámaras.
    2. Configurar la geometría de los cortes con un grosor de 3 mm, totalizando 15 cortes que cubren desde el origen de la vena pulmonar hasta el ápice del ventrículo izquierdo.
  7. Imágenes de alta resolución
    1. Emplee una secuencia de precesión libre de estado estacionario equilibrada con zoom que logra una resolución de 0,8×0,8×2,5 mm con un ancho de banda de 1200 Hz/píxel.
    2. Coloque la banda de saturación diastólica sobre el flujo de salida de la orejuela auricular izquierda a 50 ms después de la onda R utilizando 10 mm de grosor.
  8. Control del movimiento respiratorio
    1. Despliega la compuerta del navegador activando la función de seguimiento del diafragma en la cúpula del hemidiafragma derecho con una ventana de aceptación de 5 mm.
    2. Minimice la duración de la retención de la respiración al permitir la reconstrucción de detección comprimida a un factor de aceleración de 4.0 e implementar secuencias de precesión libre de estado estacionario en tiempo real.
      NOTA: Para garantizar la seguridad del paciente, este estudio se adhirió estrictamente al documento de posición de la Sociedad de Resonancia Magnética Cardiovascular (SCMR) (2020) sobre las indicaciones clínicas para la resonancia magnética cardiovascular24.

3. Preprocesamiento de datos y control de calidad

  1. Utilice el registro B-spline no rígido para abordar la desalineación respiratoria e inducida por arritmias (tolerancia máxima ± 4 mm) para la corrección del movimiento.
  2. Emplee la corrección del campo de polarización N4 y la coincidencia de histogramas para estandarizar la intensidad en los escáneres para la homogeneización de la señal.
  3. Realice anotaciones de referencia por parte de dos radiólogos expertos (>5 años de experiencia) en 3D Slicer de acuerdo con la directriz25.
    NOTA: Los requisitos del sistema, los pasos de instalación, los módulos funcionales básicos y el flujo de trabajo se basan en la guía oficial26.
  4. Resuelva paredes delgadas de LA (<2 mm) utilizando umbrales de gradiente de escala de grises del 50%. La concordancia entre observadores para las anotaciones superó el ICC > 0,91 y el Dice > 0,95, lo que garantiza una sólida veracidad sobre el terreno para el entrenamiento y la validación del modelo.
    NOTA: Todos los datos se someten a una anonimización reversible, que protege la privacidad a través de perturbaciones adversarias y marcas de agua visibles, al tiempo que permite el descifrado y la restauración autorizados. Los datos almacenados temporalmente se cifran con estrictos controles de acceso y se borran criptográficamente en el momento de la eliminación27.

4. Tecnología de fusión de características espacio-temporales

  1. Emplee un enfoque de aprendizaje profundo basado en una red 3D totalmente convolucional (3D-FCN) para mejorar la precisión de la segmentación de la aurícula izquierda en todas las fases cardíacas.
  2. Integre módulos piramidales de características espaciotemporales que incorporan tasas de dilatación de 1, 2, 4 y 8 dentro de la arquitectura 3D-FCN para capturar patrones de movimiento miocárdico en múltiples escalas de resolución.
    NOTA: La extracción de características emplea cinco etapas de codificador con dimensiones de canal [32, 64, 128, 256, 512] que aumentan progresivamente con cada operación de reducción de muestreo.

5. Arquitectura de red

  1. Modelado espaciotemporal multiescala
    1. Implemente kernels convolucionales jerárquicos en 3D (tamaño de kernel 3 × 3 × 3, stride 1 × 1 × 1, tasa de dilatación 2) a tres resoluciones (16 × 16 × 16, 32 × 32 × 32, 64 × 64 × 64).
    2. Capture las correlaciones espacio-temporales a través de escalas que abarcan el movimiento de las fibras locales y la contracción ventricular global.
  2. Configuración de entrada
    1. Utilice una entrada de tensor 4D (canales × tiempo × altura × anchura = 4 × 30 × 256 × 256) cubriendo un ciclo cardíaco completo.
    2. Incluye secuencias de cine de cuatro y dos cámaras con 30 fotogramas por ciclo a una resolución temporal de 33 ms.

6. Conexión de salto dinámico

NOTA: Se diseña una conexión de salto dinámico de ciclo cruzado con asignación de peso adaptable para abordar las características temporales de las secuencias de cine.

  1. Codificador
    1. Diseñe bloques residuales 3D de cinco niveles (cada uno de los cuales contiene cuatro convoluciones de 3 × 3 × 3, con un número de canales que se expande de 64 a 512) para extraer características espaciotemporales.
    2. Suprima dinámicamente los artefactos de movimiento respiratorio y el ruido del flujo sanguíneo mediante el cálculo de matrices de peso espacio-temporales en una puerta de atención espacio-temporal.
    3. Extraiga características espacio-temporales multiescala, con dimensiones de tensor de salida [C × T × H × W] = [64 × 30 × 256 × 256, 128 × 30 × 128 × 128, 256 × 30 × 64, 512 ×× 30 × 32 × 32, 1024 × 30 × 16 × 16] (T = 30 fotogramas/ciclo) en una pirámide de cinco capas.
  2. Descodificador
    1. Combine características semánticas de alto nivel (resolución de 64 × 64 × 64) con características de resolución de bajo nivel (16 × 16 × 16) a través de la convolución transpuesta 3D (tamaño de kernel 2 × 2 × 2, stride 2) para la fusión de características entre escalas.
    2. Garantice el refinamiento espacio-temporal sincronizado en la interpolación temporal (interpolación de spline cúbica, factor temporal 0,5).
    3. Establezca dependencias temporales en módulos de unidades recurrentes con compuerta bidireccional aprovechando los estados ocultos hacia adelante y hacia atrás para capturar patrones contextuales de largo alcance y, al mismo tiempo, mitigar los problemas de gradiente que se desvanecen a través de mecanismos de compuerta.
    4. Fusione dinámicamente entidades de 5 fotogramas adyacentes en convolución de alineación temporal (tamaño de kernel 3 × 3 × 3, zancada 1 × 1 × 1, velocidad de dilatación 2).

7. Estrategia adaptativa de asignación de peso

  1. Configure rutas de procesamiento de doble rama dentro del módulo de compuerta de atención espaciotemporal para equilibrar dinámicamente las contribuciones de características espaciales y temporales durante las operaciones de red.
  2. Calcule matrices de peso espacial para 3 × 3 convoluciones deformables, enfatizando los límites miocárdicos (estructuras LA de pared delgada <2 mm) y compensando los artefactos de movimiento respiratorio en la rama de atención espacial.
  3. Priorice las correlaciones críticas de la fase cardíaca mediante la generación de coeficientes de ponderación temporal basados en métricas de deformación tisular derivadas de vectores de desplazamiento miocárdico.

8. Estabilización de la vía residual

  1. Omita aleatoriamente las conexiones descartadas temporalmente durante el entrenamiento para mejorar la solidez y evitar la explosión del gradiente y el colapso de características.
  2. Restrinja las matrices de peso para estabilizar la propagación de características.
    1. Aplique la regularización L2 con un coeficiente de cero coma cero uno para restringir las actualizaciones de la matriz de pesos.
    2. Limite el valor máximo de gradiente de peso a un punto cero para el recorte.
    3. Inicialice las ponderaciones utilizando un factor de escala de la raíz cuadrada de dos dividida por el número de nodos de entrada.
  3. Reducción de canal con convolución separable en profundidad
    1. Inicialice la convolución en profundidad utilizando el tamaño del kernel 3 en las tres dimensiones con el recuento de grupos que coincida con la dimensión del canal de entrada.
    2. Aplique convolución puntual con configuración de kernel 1×1×1 para proyectar canales de características de 512 a 64 dimensiones.
    3. Ejecute la normalización por lotes y la activación de unidades lineales rectificadas paramétricas antes de las operaciones de concatenación de características.
  4. Segmentación, síntesis y supresión de artefactos
    1. Fusione la salida del modelado espacio-temporal con mapas de características de atención adaptativa a través de la concatenación por canales.
    2. Mejore la delineación de los límites miocárdicos utilizando restricciones de contorno multiescala aplicadas específicamente a regiones más delgadas que 2 mm.
    3. Implemente la supresión de artefactos de movimiento a través de la estabilización de características ponderadas temporalmente en todas las fases cardíacas.
    4. Genere la segmentación auricular izquierda final a través de una capa de salida convolucional 1×1×1 con activación sigmoide.
      NOTA: Para la validación visual, los resultados de la segmentación se muestran utilizando la representación de superficie 3D superpuesta en cortes de imagen originales (técnica de superposición de máscara semitransparente) para garantizar la continuidad anatómica de las estructuras de pared delgada de la aurícula izquierda. Para la evaluación cuantitativa, se emplean métricas que incluyen el coeficiente de Dice y la distancia de Hausdorff (HD).

9. Otras directrices para la solución de problemas

  1. Ajuste los parámetros de activación del ECG para lograr una resolución temporal de 25-35 ms para una captura óptima de la fase cardíaca.
  2. Implemente la compensación respiratoria mediante ventanas de compuerta de navegador de 5 mm para minimizar los artefactos de movimiento relacionados con la respiración.
  3. Asegúrese de que el paciente se coloque correctamente y proporcione instrucciones claras de respiración durante todo el procedimiento de diagnóstico por imágenes.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

En un conjunto de datos de RMC compuesto por 200 pacientes con miocarditis, el marco propuesto logró un coeficiente de Dice de 0,921 para la segmentación de LA, lo que representa una mejora del 12,3% con respecto a los modelos de referencia, con una velocidad de procesamiento de 18 fotogramas por segundo (fps). Mediante el empleo de la destilación dinámica del kernel para transferir las características abstractas de alto nivel a las características de bajo nivel, el HD para el volumen mínimo de LA (LAVmin) se ...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

Este estudio logró una cuantificación precisa de la estructura y función de la LA en pacientes con miocarditis a través de protocolos estandarizados de CMR y parámetros de exploración de LA dedicados, combinados con una extracción eficiente de características y una segmentación rápida automatizada utilizando 3D-FCN. La interacción sinérgica entre los parámetros de imagen optimizados y las innovaciones algorítmicas establece una base técnica sólida para la traducción clínica.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

Los autores declaran que no existen conflictos de intereses.

Agradecimientos

Este estudio contó con el apoyo del Fondo de Investigación Científica Clínica de la Facultad de Medicina de Chengdu - Segundo Hospital Afiliado de la Facultad de Medicina de Chengdu y el Hospital de Consolidación Nuclear 416 (2022LHFSZYB-10).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
Escáner de resonancia magnética 3.0 TSiemens HealthineersSkyra 3.0 TSistema de resonancia magnética clínica/de investigación de alta resolución con capacidades avanzadas de imágenes cardíacas y corporales.
Comunidad 3D SlicerOpen-sourcehttps://www.slicer.org/Software gratuito y de código abierto para el análisis de imágenes médicas (segmentación, registro, visualización 3D). Con el apoyo de los NIH.
PyTorchMeta Platforms, Inc.https://pytorch.org/Marco de aprendizaje profundo de código abierto con gráficos de computación dinámicos, ampliamente utilizado para la investigación de IA y la implementación de modelos. Admite aceleración de GPU.

Referencias

  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).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Etiquetas

Segmentaci n de la aur cula izquierdapacientes con miocarditissecuencias cinesegmentaci n mediante aprendizaje profundofusi n de caracter sticas espaciotemporalesconvoluci n tridimensionalconexiones de salto din micasdisfunci n mec nica auricularcurvas de volumen de la AI
Video próximamente
Contáctenos
Recomendar a la biblioteca

Privacidad

Condiciones de uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos los derechos reservados.