Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.

Article de méthode

Segmentation de l’oreillette gauche dans les images par résonance magnétique cardiovasculaire de patients atteints de myocardite

621 vues

⸱

DOI :

10.3791/68664

⸱

18 juillet 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

Dans cet article

Résumé

L’analyse ciné tridimensionnelle entièrement convolutive améliorée par réseau permet une évaluation précise de la fonction auriculaire gauche dans la myocardite, améliorant la détection précoce de la dysfonction systolique-diastolique et réduisant les erreurs de prédiction de la fraction d’éjection pour le diagnostic clinique et la surveillance de la dysfonction mécanique auriculaire.

Résumé

Les séquences cine par résonance magnétique cardiovasculaire (CMR) servent de technique d’imagerie fondamentale pour évaluer la fonction dynamique de l’oreillette gauche (LA) chez les patients atteints de myocardite. En capturant les caractéristiques de mouvement tridimensionnel tout au long du cycle cardiaque avec une résolution temporelle élevée, cette modalité fournit des données essentielles pour l’analyse de la coordination contractile myocardique et des anomalies du mouvement de la paroi. Des innovations technologiques clés, telles que la modélisation dynamique et l’imagerie codée en déformation, permettent une évaluation quantitative de la dysfonction systolique-diastolique AL à un stade précoce dans la myocardite. Cependant, les principaux défis de la segmentation des séquences cinétiques impliquent des artefacts dynamiques et la modélisation de la continuité spatio-temporelle des structures à parois minces. Les méthodes traditionnelles de segmentation basées sur des seuils présentent une cohérence limitée dans les séquences dynamiques en raison de leur incapacité à capturer des modèles de mouvement. Les approches d’apprentissage profond utilisant un réseau tridimensionnel entièrement convolutif (3D-FCN) ont atteint une précision supérieure grâce à trois améliorations stratégiques : (1) Fusion de caractéristiques spatio-temporelles : elle a utilisé des noyaux convolutifs 3D pour extraire simultanément les structures spatiales et les caractéristiques dimensionnelles temporelles, réduisant ainsi les effets de flou de mouvement. (2) Connexions de saut dynamiques : Incorporées dans les architectures encodeur-décodeur, ces connexions ont renforcé la modélisation de la corrélation de déformation à travers différentes phases cardiaques grâce à la propagation de caractéristiques intertemporelles. (3) Conception légère : En utilisant le traitement par patch et les circonvolutions séparables en profondeur, l’efficacité de calcul a été optimisée pour le traitement en temps réel d’ensembles de données quadridimensionnels à grande échelle. Le 3D-FCN a atteint un coefficient de dés de 0,921 pour la segmentation LA, ce qui représente une amélioration de 12,3 % par rapport aux méthodes conventionnelles. Cette conception a réduit l’erreur de prédiction de la fraction d’éjection LA de 8,7 % à 3,2 %. Les résultats de la segmentation ont directement facilité le calcul de mesures quantitatives, y compris les courbes volume-temps LA et les taux de déformation. Ces paramètres ont soutenu le diagnostic clinique de dysfonctionnement mécanique auriculaire associé à la myocardite.

Introduction

Les séquences ciné par résonance magnétique cardiovasculaire (CMR), en tant que modalité d’imagerie de base pour évaluer la fonction dynamique de l’oreillette gauche (LA) chez les patients atteints de myocardite, fournissent des données essentielles pour identifier les anomalies de la coordination contractile myocardique et la dysfonction diastolique précoce, en tirant parti de leur haute résolution temporelle et de leurs capacités de capture de mouvement tridimensionnelle 1,2,3,4,5 . Grâce à des techniques d’imagerie codée par souche et de modélisation dynamique du mouvement, les séquences ciné CMR permettent une détection précise de l’œdème myocardique et de la fibrose, qui sont fortement corrélés avec les changements histopathologiques et prédisent les événements cardiovasculaires indésirables majeurs 6,7,8,9. Le suivi des caractéristiques CMR permet une évaluation quantitative de la déformation LA, reflétant ses fonctions de réservoir, de conduit et de pompe. Une pression auriculaire gauche élevée, associée à un dysfonctionnement diastolique ventriculaire gauche, peut être évaluée indirectement par l’analyse du taux de déformation LA via CMR, fournissant des informations sur les modèles anormaux de remplissage ventriculaire gauche 8,10,11,12.

Dans la myocardite, des mesures de tension spécifiques - telles que la déformation passive et la déformation active - présentent de fortes corrélations avec la fibrose myocardique, permettant une détection précoce de la dysfonction compensatoire dans la mécanique de l’AL 13,14,15,16. Notamment, les réductions de la souche AL précèdent souvent la dilatation structurelle chez les patients atteints de myocardite, et les séquences cine CMR capturent avec sensibilité ces modèles de remodelage précoces, offrant une fenêtre critique pour une intervention clinique rapide. Cependant, la segmentation de séquences cinées est confrontée à de multiples défis : la structure LA à paroi mince est sensible aux artefacts de mouvement respiratoire, ce qui entraîne des erreurs dans le calcul de la fraction d’éjection, tandis que les méthodes traditionnelles de segmentation basées sur des seuils surestiment systématiquement le volume minimal LA en raison de leur incapacité à capturer des modèles de déformation asymétriques15,17.

Au cours des dernières années, la technologie de détection compressée a permis de réduire le temps de balayage grâce au sous-échantillonnage de l’espace k, démontrant une forte corrélation avec les mesures de référence pour la fraction d’éjection passive LA, bien que la sous-estimation de la fraction d’éjection totale et de la fonction de pompe active reste à optimiser 18,19,20,21. Notamment, les modèles de prédiction du mouvement cardiaque basés sur l’apprentissage profond ont permis d’obtenir une modélisation fonctionnelle dynamique précise de l’AL dans les séquences en respiration libre en intégrant des algorithmes de codage de vitesse de phase et de correction de mouvement adaptative22,23. Cette étude vise à utiliser des algorithmes d’apprentissage profond pour établir une base essentielle pour le diagnostic clinique de la dysfonction mécanique de l’AL associée à la myocardite, permettant une stratification personnalisée du risque et une prédiction pronostique pour les patients atteints de myocardite.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

Le comité d’éthique de la faculté de médecine de Chengdu a déterminé que cette étude répondait aux critères de renonciation au consentement éclairé. La recherche a adhéré aux principes énoncés dans la Déclaration d’Helsinki.

1. Sélection des patients

  1. Utilisez les critères d’inclusion suivants : patients atteints de myocardite répondant aux critères cliniques de la myocardite aiguë, y compris les symptômes postviraux, les biomarqueurs élevés et les anomalies de l’électrocardiogramme (ECG).
  2. Exclure les patients présentant les éléments suivants : cardiopathie ischémique, valvulaire ou congénitale ; lésions myocardiques secondaires dues à des médicaments, à la chimiothérapie ou à des infections ; l’imagerie non diagnostique ; affections à haut risque (grossesse, dysfonction rénale ou instabilité hémodynamique).

2. Protocole d’imagerie CMR et paramètres de balayage

  1. Configuration du scanner
    1. Utiliser un scanner d’imagerie par résonance magnétique de 3,0 Tesla équipé d’une bobine cardiaque à réseau phasé à 32 canaux dans les 14 à 28 jours suivant l’apparition des symptômes.
    2. Exécutez la vérification de la bobine à l’aide de la fonction Coil Check de la console, suivie d’une routine d’étalonnage automatique.
      REMARQUE : Le positionnement du patient nécessite une orientation en décubitus dorsal avec la bobine centrée sur la ligne axillaire médiane gauche.
  2. Évaluation fonctionnelle de l’oreillette gauche
    1. Lancez l’imagerie cinématographique à précession libre équilibrée à l’état stationnaire via le gestionnaire de protocole > la voie cardiaque > Cine_balanced à précession libre à l’état stationnaire (bSSFP).
    2. Configurez le déclenchement rétrospectif de l’électrocardiogramme avec le paramètre Fenêtre de déclenchement réglé sur 15 % pour l’accommodation de l’arythmie.
    3. Obtenez une couverture complète du cycle cardiaque en programmant une résolution temporelle de 33 ms (30 phases) via 12 segments d’espace k.
      REMARQUE : Les paramètres clés incluent le temps de répétition/temps d’écho 3,0/1,5 ms, l’angle de basculement 45 °, la bande passante 930 Hz/pixel et la matrice 256×256.
  3. Acquisition standard du plan cardiaque
    1. Obtenir des images de reconnaissance à l’aide d’une séquence d’alignement de piste à trois plans, en prenant environ 18 s.
    2. Prescrire une vue à quatre chambres en alignant le plan d’imagerie à travers l’apex ventriculaire gauche et le centre de la valve mitrale sur l’alignement de piste axial.
    3. Générez une vue à deux chambres en dupliquant la prescription à quatre chambres et en appliquant une rotation de 60° dans le sens des aiguilles d’une montre.
  4. Mise en œuvre de l’imagerie parallèle
    1. Activez l’autocalibrage généralisé de l’acquisition partiellement parallèle à l’aide de l’onglet Accélération de la console avec un facteur d’imagerie parallèle de 2.
    2. Activez l’échantillonnage de Fourier partiel en définissant le Fourier partiel de phase sur une configuration 6/8 .
    3. Effectuez un étalonnage de référence avec 24 lignes de signal d’autoétalonnage nécessitant 22 s.
      REMARQUE : Les principaux paramètres de balayage sont les suivants : TR/TE = 3,0 ms/1,5 ms, angle de retournement = 45° et bande passante = 930 Hz/pixel.
  5. Imagerie spécifique de l’oreillette gauche
    1. Identifier les repères anatomiques, y compris l’anneau mitral à mi-diastole, le toit auriculaire gauche en forme d’entonnoir à 15 mm du septum et l’orifice de l’appendice auriculaire gauche (AAL) démontrant une architecture lobaire distincte.
    2. Alignez les plans à axe longperpendiculaire à la vue à quatre chambres allant des orifices veineux pulmonaires à l’extrémité de l’appendice auriculaire gauche.
      REMARQUE : Trois repères anatomiques essentiels guident la localisation du plan CMR : l’anneau mitral, nécessitant une visualisation diastolique moyenne des deux feuillets, le toit LA en forme d’entonnoir centré à 15 mm du septum au niveau de l’ostium de la veine pulmonaire supérieure droite, et l’orifice LAA démontrant une architecture lobaire claire avec des bords distincts de la veine pulmonaire supérieure gauche.
  6. Acquisition de pile sur un axe court
    1. Prescrire des coupes contiguës à axe court parallèles au plan de l’anneau mitral à l’aide du guidage diastolique à deux chambres.
    2. Configurez la géométrie des coupes de 3 mm d’épaisseur, soit un total de 15 coupes couvrant des origines de la veine pulmonaire à l’apex ventriculaire gauche.
  7. Imagerie haute résolution
    1. Utilisez une séquence de précession libre équilibrée zoomée à l’état stationnaire atteignant une résolution de 0,8×0,8×2,5 mm avec une bande passante de 1200 Hz/pixel.
    2. Positionner la bande de saturation diastolique sur l’écoulement de l’appendice auriculaire gauche à 50 ms après l’onde R en utilisant une épaisseur de 10 mm.
  8. Contrôle des mouvements respiratoires
    1. Déployez le gate du navigateur en activant la fonction de suivi du diaphragme sur le dôme de l’hémidiaphragme droit avec une fenêtre d’acceptation de 5 mm.
    2. Minimisez la durée de l’apnée en activant la reconstruction par détection compressée à un facteur d’accélération de 4,0 et en mettant en œuvre des séquences de précession libre à l’état d’équilibre en temps réel.
      REMARQUE : Pour assurer la sécurité des patients, cette étude a strictement adhéré à l’exposé de position de la Société de résonance magnétique cardiovasculaire (SCMR) (2020) sur les indications cliniques de la résonance magnétique cardiovasculaire24.

3. Prétraitement des données et contrôle de la qualité

  1. Utilisez l’enregistrement non rigide B-spline pour traiter le désalignement respiratoire et induit par l’arythmie (tolérance maximale ± 4 mm) pour la correction du mouvement.
  2. Utilisez la correction de champ de polarisation N4 et l’adaptation de l’histogramme pour normaliser l’intensité entre les scanners afin d’homogénéiser le signal.
  3. Effectuez des annotations de référence par deux radiologues experts (>5 ans d’expérience) dans 3D Slicer selon la directive25.
    REMARQUE : La configuration requise, les étapes d’installation, les modules fonctionnels de base et le flux de travail sont basés sur le guide officiel26.
  4. Résolution des parois minces en AL (<2 mm) à l’aide de seuils de dégradé de 50 % en niveaux de gris. L’accord inter-observateurs pour les annotations a dépassé ICC > 0,91 et Dice > 0,95, garantissant une vérité de terrain solide pour l’entraînement et la validation des modèles.
    REMARQUE : Toutes les données font l’objet d’une anonymisation réversible, qui protège la vie privée contre les perturbations contradictoires et les filigranes visibles, tout en permettant un décryptage et une restauration autorisés. Les données stockées temporairement sont cryptées avec des contrôles d’accès stricts et sont effacées par cryptographie dès leur élimination27.

4. Technologie de fusion de caractéristiques spatio-temporelles

  1. Utilisez une approche d’apprentissage profond basée sur un réseau 3D entièrement convolutif (3D-FCN) pour améliorer la précision de la segmentation auriculaire gauche dans toutes les phases cardiaques.
  2. Intégrez des modules de pyramide de caractéristiques spatio-temporelles incorporant des taux de dilatation de 1, 2, 4 et 8 dans l’architecture 3D-FCN pour capturer les modèles de mouvement myocardique à plusieurs échelles de résolution.
    REMARQUE : L’extraction des caractéristiques utilise cinq étages de codeur avec des dimensions de canal [32, 64, 128, 256, 512] augmentant progressivement à chaque opération de sous-échantillonnage.

5. Architecture du réseau

  1. Modélisation spatio-temporelle multi-échelle
    1. Déployez des noyaux convolutifs 3D hiérarchiques (taille de noyau 3 × 3 × 3, foulée 1 × 1 × 1, taux de dilatation 2) à trois résolutions (16 × 16 × 16, 32 × 32 × 32, 64 × 64 × 64).
    2. Capturez des corrélations spatio-temporelles inter-échelles couvrant le mouvement local des fibres à la contraction ventriculaire globale.
  2. Configuration d’entrée
    1. Utilisez une entrée tensorielle 4D (canaux × temps × hauteur × largeur = 4 × 30 × 256 × 256) couvrant un cycle cardiaque complet.
    2. Incluez des séquences cinéma à quatre et deux chambres avec 30 images par cycle à une résolution temporelle de 33 ms.

6. Connexion par saut dynamique

REMARQUE : Une connexion de saut dynamique inter-cycles est conçue avec une allocation de poids adaptative pour tenir compte des caractéristiques temporelles des séquences de cinéma.

  1. Codeur
    1. Concevez des blocs résiduels 3D à cinq niveaux (chacun contenant quatre convolutions de 3 × 3 ×, avec un nombre de canaux passant de 64 à 512) pour extraire des caractéristiques spatio-temporelles.
    2. Supprimez dynamiquement les artefacts de mouvement respiratoire et le bruit du flux sanguin en calculant des matrices de poids spatio-temporelles dans une porte d’attention spatio-temporelle.
    3. Extraire des caractéristiques spatio-temporelles multi-échelles, avec des dimensions tensorielles de sortie [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 images/cycle) dans une pyramide à cinq couches.
  2. Décodeur
    1. Combinez des fonctionnalités sémantiques de haut niveau (résolution de 64 × 64 × 64) avec des fonctionnalités de résolution de bas niveau (16 × 16 × 16) via une convolution transposée en 3D (taille de noyau 2 × 2 × 2, foulée 2) pour la fusion de fonctionnalités à plusieurs échelles.
    2. Assurer un raffinement spatio-temporel synchronisé dans l’interpolation temporelle (interpolation de spline cubique, facteur temporel 0,5).
    3. Établissez des dépendances temporelles dans des modules d’unités récurrentes à portes bidirectionnelles en exploitant les états cachés avant et arrière pour capturer des modèles contextuels à longue portée tout en atténuant les problèmes de gradient de disparition grâce à des mécanismes de contrôle.
    4. Fusionne dynamiquement les caractéristiques de 5 images adjacentes en convolution d’alignement temporel (taille du noyau 3 × 3 × 3, foulée 1 × 1 × 1, taux de dilatation 2).

7. Stratégie adaptative d’allocation du poids

  1. Configurez des chemins de traitement à deux branches dans le module de contrôle de l’attention spatio-temporelle pour équilibrer dynamiquement les contributions de caractéristiques spatiales et temporelles pendant les opérations du réseau.
  2. Calculez des matrices de poids spatial pour 3 × 3 circonvolutions déformables, en mettant l’accent sur les limites myocardiques (structures AL à paroi mince <2 mm) et en compensant les artefacts de mouvement respiratoire dans la branche de l’attention spatiale.
  3. Priorisez les corrélations de phase cardiaque critiques en générant des coefficients de pondération temporelle basés sur des mesures de déformation tissulaire dérivées des vecteurs de déplacement myocardique.

8. Stabilisation de la voie résiduelle

  1. Omettez de manière aléatoire les connexions temporellement abandonnées pendant l’entraînement pour améliorer la robustesse afin d’éviter l’explosion du gradient et l’effondrement des caractéristiques.
  2. Contraindre les matrices de poids pour stabiliser la propagation des caractéristiques.
    1. Appliquez la régularisation L2 avec un coefficient de zéro virgule zéro un pour contraindre les mises à jour de la matrice de poids.
    2. Limitez la valeur maximale du gradient de poids à un point zéro pour l’écrêtage.
    3. Initialisez les poids à l’aide d’un facteur d’échelle de la racine carrée de deux divisée par le nombre de nœuds d’entrée.
  3. Réduction de canal avec convolution séparable en profondeur
    1. Initialisez la convolution en profondeur à l’aide de la taille de noyau 3 dans les trois dimensions, le nombre de groupes correspondant à la dimension du canal d’entrée.
    2. Appliquez la convolution ponctuelle avec une configuration de noyau 1×1×1 pour projeter des canaux de fonctionnalités de 512 à 64 dimensions.
    3. Exécutez la normalisation par lots et l’activation d’unités linéaires rectifiées paramétriques avant les opérations de concaténation de caractéristiques.
  4. Segmentation, synthèse et suppression d’artefacts
    1. Fusionnez les résultats de la modélisation spatio-temporelle avec les cartes de caractéristiques d’attention adaptative grâce à la concaténation par canal.
    2. Améliorez la délimitation des limites myocardiques à l’aide de contraintes de contour multi-échelles appliquées spécifiquement aux régions plus minces que 2 mm.
    3. Mettez en œuvre la suppression des artefacts de mouvement grâce à la stabilisation des caractéristiques pondérée dans le temps à travers les phases cardiaques.
    4. Générez une segmentation auriculaire gauche finale via une couche de sortie convolutive 1×1×1 avec activation sigmoïde.
      REMARQUE : Pour la validation visuelle, les résultats de la segmentation sont affichés à l’aide d’un rendu de surface 3D superposé sur des tranches d’image originales (technique de superposition de masque semi-transparent) pour assurer la continuité anatomique des structures à paroi mince de l’oreillette gauche. Pour l’évaluation quantitative, des mesures telles que le coefficient de dés et la distance de Hausdorff (HD) sont utilisées.

9. Autres conseils de dépannage

  1. Ajustez les paramètres de déclenchement de l’ECG pour obtenir une résolution temporelle de 25 à 35 ms pour une capture optimale de la phase cardiaque.
  2. Mettez en œuvre une compensation respiratoire à l’aide de fenêtres de guidage de navigateur de 5 mm pour minimiser les artefacts de mouvement liés à la respiration.
  3. Assurez-vous que le patient est correctement positionné et donnez des instructions de respiration claires tout au long de la procédure d’imagerie.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

Sur un ensemble de données CMR comprenant 200 patients atteints de myocardite, le cadre proposé a atteint un coefficient de dés de 0,921 pour la segmentation LA, ce qui représente une amélioration de 12,3 % par rapport aux modèles de base, avec une vitesse de traitement de 18 images par seconde (fps). En utilisant la distillation dynamique du grain pour transférer des caractéristiques abstraites de haut niveau à des caractéristiques de bas niveau, la HD pour le volume minimum LA (LAVmin) a été optimisée de 3,2...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

Cette étude a permis une quantification précise de la structure et de la fonction de l’AL chez les patients atteints de myocardite grâce à des protocoles CMR standardisés et à des paramètres de balayage AL dédiés, combinés à une extraction efficace des caractéristiques et à une segmentation rapide automatisée à l’aide de 3D-FCN. L’interaction synergique entre les paramètres d’imagerie optimisés et les innovations algorithmiques établit une base technique solide pour la traduction cliniqu...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

Les auteurs déclarent qu’il n’y a pas de conflits d’intérêts.

Remerciements

Cette étude a été soutenue par le Fonds de recherche scientifique clinique du Collège médical de Chengdu - Deuxième hôpital affilié du Collège médical de Chengdu et de l’Hôpital de la Corporation nucléaire 416 (2022LHFSZYB-10).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Scanner IRM 3.0 TSiemens HealthineersSkyra 3.0 TSystème d’IRM clinique/de recherche haute résolution avec des capacités avancées d’imagerie cardiaque et corporelle.
3D SlicerCommunauté open-sourcehttps://www.slicer.org/Logiciel gratuit et open-source pour l’analyse d’images médicales (segmentation, enregistrement, visualisation 3D). Avec le soutien des NIH.
PyTorchMeta Platforms, Inc.https://pytorch.org/Cadre d’apprentissage profond open source avec graphiques de calcul dynamiques, largement utilisé pour la recherche sur l’IA et le déploiement de modèles. Prend en charge l’accélération GPU.

Références

  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).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Mots-clés

Segmentation de l oreillette gauchepatients atteints de myocardites quences cinsegmentation par apprentissage profondfusion de caract ristiques spatiotemporellesconvolution tridimensionnelleconnexions saut es dynamiquesdysfonctionnement m canique atrialcourbes de volume de l OG
Vidéo bientôt disponible
Contactez-nous
Recommander à la bibliothèque

Confidentialité

Conditions d'utilisation

Politiques

Copyright © 2026 MyJoVE Corporation. Tous droits réservés.