Articolo metodologico

Segmentazione dell'atrio sinistro nelle immagini di risonanza magnetica cardiovascolare di pazienti con miocardite

619 visualizzazioni

⸱

DOI:

10.3791/68664

⸱

18 luglio 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 questo articolo

Sommario

L'analisi cine tridimensionale completamente convoluzionale potenziata dalla rete consente una valutazione precisa della funzione atriale sinistra nella miocardite, migliorando il rilevamento precoce della disfunzione sistolico-diastolica e riducendo gli errori di previsione della frazione di eiezione per la diagnosi clinica e il monitoraggio della disfunzione meccanica atriale.

Abstract

Le sequenze cine di risonanza magnetica cardiovascolare (CMR) fungono da tecnica di imaging fondamentale per valutare la funzione dinamica dell'atrio sinistro (LA) nei pazienti con miocardite. Catturando le caratteristiche di movimento tridimensionali durante il ciclo cardiaco con un'elevata risoluzione temporale, questa modalità fornisce dati critici per l'analisi della coordinazione contrattile miocardica e delle anomalie del movimento della parete. Le principali innovazioni tecnologiche, come la modellazione dinamica e l'imaging codificato con deformazione, consentono la valutazione quantitativa della disfunzione sistolico-diastolica LA in stadio iniziale nella miocardite. Tuttavia, le sfide principali nella segmentazione delle sequenze cinetiche riguardano gli artefatti dinamici e la modellazione della continuità spazio-temporale di strutture a parete sottile. I metodi tradizionali di segmentazione basati su soglie dimostrano una coerenza limitata nelle sequenze dinamiche a causa della loro incapacità di catturare i modelli di movimento. Gli approcci di deep learning che utilizzano una rete tridimensionale completamente convoluzionale (3D-FCN) hanno raggiunto una precisione superiore grazie a tre miglioramenti strategici: (1) Fusione di caratteristiche spaziotemporali: ha impiegato kernel convoluzionali 3D per estrarre simultaneamente strutture spaziali e caratteristiche dimensionali temporali, riducendo così gli effetti di sfocatura del movimento. (2) Connessioni dinamiche di salto: incorporate all'interno di architetture encoder-decoder, queste connessioni hanno rafforzato la modellazione della correlazione della deformazione tra diverse fasi cardiache attraverso la propagazione cross-temporale delle caratteristiche. (3) Design leggero: utilizzando l'elaborazione patch-wise e le convoluzioni separabili in profondità, l'efficienza computazionale è stata ottimizzata per l'elaborazione in tempo reale di set di dati quadridimensionali su larga scala. Il 3D-FCN ha raggiunto un coefficiente di Dice di 0,921 per la segmentazione LA, che rappresenta un miglioramento del 12,3% rispetto ai metodi convenzionali. Questo design ha ridotto l'errore di previsione della frazione di eiezione LA dall'8,7% al 3,2%. I risultati della segmentazione hanno facilitato direttamente il calcolo di metriche quantitative, tra cui le curve volume-tempo LA e le velocità di deformazione. Queste metriche hanno supportato la diagnosi clinica di disfunzione meccanica atriale associata a miocardite.

Introduzione

Le sequenze cine di risonanza magnetica cardiovascolare (CMR), come modalità di imaging principale per la valutazione della funzione dinamica dell'atrio sinistro (LA) nei pazienti con miocardite, forniscono dati critici per identificare anomalie nella coordinazione contrattile miocardica e nella disfunzione diastolica precoce, sfruttando la loro elevata risoluzione temporale e le capacità di motion capture tridimensionale 1,2,3,4,5 . Attraverso l'imaging codificato dalla deformazione e le tecniche di modellazione dinamica del movimento, le sequenze cine CMR consentono di rilevare con precisione l'edema e la fibrosi miocardica, che sono fortemente correlati ai cambiamenti istopatologici e predicono i principali eventi cardiovascolari avversi 6,7,8,9. Il tracciamento delle funzioni CMR consente una valutazione quantitativa della deformazione LA, riflettendo le funzioni del serbatoio, del condotto e della pompa. L'elevata pressione atriale sinistra, che è associata a disfunzione diastolica del ventricolo sinistro, può essere valutata indirettamente attraverso l'analisi della velocità di deformazione LA tramite CMR, fornendo informazioni sui modelli di riempimento ventricolare sinistro anomali 8,10,11,12.

Nella miocardite, specifiche metriche di deformazione, come la deformazione passiva e la deformazione attiva, mostrano forti correlazioni con la fibrosi miocardica, consentendo la diagnosi precoce della disfunzione compensatoria nella meccanica LA 13,14,15,16. In particolare, le riduzioni della deformazione LA spesso precedono la dilatazione strutturale nei pazienti con miocardite e le sequenze cine CMR catturano in modo sensibile questi modelli di rimodellamento precoce, offrendo una finestra critica per un intervento clinico tempestivo. Tuttavia, la segmentazione delle sequenze cinetiche deve affrontare molteplici sfide: la struttura LA a parete sottile è suscettibile agli artefatti del movimento respiratorio, portando a errori nel calcolo della frazione di eiezione, mentre i tradizionali metodi di segmentazione basati su soglie sovrastimano sistematicamente il volume minimo LA a causa della loro incapacità di catturare modelli di deformazione asimmetrici15,17.

Negli ultimi anni, la tecnologia di rilevamento compresso ha ridotto il tempo di scansione tramite sottocampionamento dello spazio k, dimostrando un'elevata correlazione con le misurazioni gold standard per la frazione di eiezione passiva LA, sebbene la sottostima della frazione di eiezione totale e della funzione della pompa attiva rimanga da ottimizzare 18,19,20,21. In particolare, i modelli di previsione del movimento cardiaco basati sul deep learning hanno ottenuto un'accurata modellazione funzionale dinamica dell'LA in sequenze di respirazione libera integrando algoritmi di codifica della velocità di fase e correzione del movimento adattivo22,23. Questo studio mira a utilizzare algoritmi di deep learning per stabilire una base critica per la diagnosi clinica della disfunzione meccanica LA associata alla miocardite, consentendo la stratificazione personalizzata del rischio e la previsione prognostica per i pazienti con miocardite.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

Il Comitato Etico del Chengdu Medical College ha stabilito che questo studio soddisfaceva i criteri per la rinuncia al consenso informato. La ricerca ha aderito ai principi delineati nella Dichiarazione di Helsinki.

1. Selezione del paziente

  1. Utilizzare i seguenti criteri di inclusione: pazienti con miocardite che soddisfano i criteri clinici per la miocardite acuta, inclusi sintomi post-virali, biomarcatori elevati e anomalie dell'elettrocardiogramma (ECG).
  2. Escludere i pazienti con quanto segue: cardiopatia ischemica, valvolare o congenita; danno miocardico secondario da farmaci, chemioterapia o infezioni; imaging non diagnostico; condizioni ad alto rischio (gravidanza, disfunzione renale o instabilità emodinamica).

2. Protocollo di imaging CMR e parametri di scansione

  1. Configurazione dello scanner
    1. Utilizzare uno scanner a risonanza magnetica da 3,0 Tesla dotato di una bobina phased-array cardiaca a 32 canali entro 14-28 giorni dall'insorgenza dei sintomi.
    2. Esegui la verifica della bobina utilizzando la funzione Coil Check della console, seguita da una routine di autocalibrazione.
      NOTA: Il posizionamento del paziente richiede l'orientamento supino con la bobina centrata sulla linea ascellare media sinistra.
  2. Valutazione della funzionalità atriale sinistra
    1. Avvia l'imaging cinematografico bilanciato di precessione libera allo stato stazionario tramite Protocol Manager > percorso di precessione libera allo stato stazionario cardiaco > Cine_balanced (bSSFP).
    2. Configura il gating dell'elettrocardiogramma retrospettivo con il parametro Trigger Window impostato su 15% per l'accomodazione dell'aritmia.
    3. Ottenete una copertura completa del ciclo cardiaco programmando una risoluzione temporale di 33 ms (30 fasi) tramite 12 segmenti k-space.
      NOTA: I parametri chiave includono il tempo di ripetizione/tempo di eco 3,0/1,5 ms, l'angolo di capovolgimento di 45°, la larghezza di banda 930 Hz/pixel e la matrice 256×256.
  3. Acquisizione del piano cardiaco standard
    1. Ottieni immagini di ricognizione utilizzando una sequenza di localizzatori a tre piani, impiegando circa 18 secondi.
    2. Prescrivere la vista a quattro camere allineando il piano di imaging attraverso l'apice ventricolare sinistro e il centro della valvola mitrale sul localizzatore assiale.
    3. Genera una vista a due camere duplicando la prescrizione a quattro camere e applicando una rotazione di 60° in senso orario.
  4. Implementazione dell'imaging parallelo
    1. Attiva l'acquisizione parzialmente parallela con autocalibrazione generalizzata utilizzando la scheda Accelerazione della console con fattore di imaging parallelo 2.
    2. Abilita il campionamento parziale di Fourier impostando la fase parziale di Fourier su una configurazione 6/8 .
    3. Eseguire la calibrazione di riferimento con 24 linee di segnale di autocalibrazione che richiedono 22 s.
      NOTA: I parametri chiave di scansione includono TR/TE = 3,0 ms/1,5 ms, angolo di ribaltamento = 45° e larghezza di banda = 930 Hz/pixel.
  5. Imaging specifico dell'atrio sinistro
    1. Identificare i punti di riferimento anatomici, tra cui l'anulus mitralico a metà diastole, il tetto atriale sinistro a forma di imbuto a 15 mm dal setto e l'orifizio dell'appendice atriale sinistra (LAA) che mostra una distinta architettura lobare.
    2. Allineare i piani dell'asse lungo perpendicolarmente alla vista a quattro camere che si estende dagli orifizi della vena polmonare alla punta dell'appendice atriale sinistra.
      NOTA: Tre punti di riferimento anatomici essenziali guidano la localizzazione del piano CMR: l'anulus mitralico, che richiede la visualizzazione medio-diastolica di entrambi i lembi, il tetto LA a forma di imbuto centrato a 15 mm dal setto nell'ostio della vena polmonare superiore destra e l'orifizio LAA che mostra una chiara architettura lobare con bordi distinti dalla vena polmonare superiore sinistra.
  6. Acquisizione stack ad asse corto
    1. Prescrivere fette contigue ad asse corto parallele al piano dell'anulus mitralico utilizzando la guida diastolica a due camere.
    2. Configura la geometria della fetta con uno spessore di 3 mm, per un totale di 15 fette che coprono dall'origine della vena polmonare all'apice ventricolare sinistro.
  7. Imaging ad alta risoluzione
    1. Utilizza una sequenza di precessione libera bilanciata allo stato stazionario ingrandita che raggiunge una risoluzione di 0,8×0,8×2,5 mm con una larghezza di banda di 1200 Hz/pixel.
    2. Posizionare la banda di saturazione diastolica sul deflusso dell'appendice atriale sinistra a 50 ms dopo l'onda R utilizzando uno spessore di 10 mm.
  8. Controllo del movimento respiratorio
    1. Attivare il gating del navigatore attivando la funzione di tracciamento del diaframma sulla cupola dell'emidiaframma destro con una finestra di accettazione di 5 mm.
    2. Riduci al minimo la durata dell'apnea abilitando la ricostruzione del rilevamento compresso con un fattore di accelerazione di 4,0 e implementando sequenze di precessione libere in tempo stazionario in tempo reale.
      NOTA: Per garantire la sicurezza del paziente, questo studio ha aderito rigorosamente al documento di posizione della Society for cardiovascular magnetic resonance (SCMR) (2020) sulle indicazioni cliniche per la risonanza magnetica cardiovascolare24.

3. Pre-elaborazione dei dati e controllo di qualità

  1. Utilizza la registrazione B-spline non rigida per affrontare il disallineamento indotto da respiratorie e aritmie (tolleranza massima ± 4 mm) per la correzione del movimento.
  2. Utilizza la correzione del campo di polarizzazione N4 e la corrispondenza dell'istogramma per standardizzare l'intensità tra gli scanner per l'omogeneizzazione del segnale.
  3. Esegui annotazioni gold standard da parte di due radiologi esperti (>5 anni di esperienza) in 3D Slicer secondo la linea guida25.
    NOTA: I requisiti di sistema, i passaggi di installazione, i moduli funzionali di base e il flusso di lavoro si basano sulla guida ufficiale26.
  4. Risolvi pareti LA sottili (<2 mm) utilizzando soglie di gradiente in scala di grigi del 50%. L'accordo tra osservatori per le annotazioni ha superato l'ICC > 0,91 e il Dice > 0,95, garantendo una solida verità sul campo per l'addestramento e la convalida del modello.
    NOTA: Tutti i dati sono sottoposti a anonimizzazione reversibile, che protegge la privacy attraverso perturbazioni contraddittorie e filigrane visibili, consentendo al contempo la decrittografia e il ripristino autorizzati. I dati memorizzati temporaneamente vengono crittografati con rigorosi controlli di accesso e cancellati crittograficamente al momento dello smaltimento27.

4. Tecnologia di fusione delle caratteristiche spaziotemporali

  1. Utilizza un approccio di deep learning basato su una rete 3D completamente convoluzionale (3D-FCN) per migliorare l'accuratezza della segmentazione atriale sinistra in tutte le fasi cardiache.
  2. Integra moduli piramidali spazio-temporali che incorporano velocità di dilatazione di 1, 2, 4 e 8 all'interno dell'architettura 3D-FCN per acquisire modelli di movimento miocardico su più scale di risoluzione.
    NOTA: L'estrazione delle caratteristiche impiega cinque stadi encoder con dimensioni del canale [32, 64, 128, 256, 512] che aumentano progressivamente ad ogni operazione di downsampling.

5. Architettura di rete

  1. Modellazione spazio-temporale multiscala
    1. Distribuisci kernel convoluzionali 3D gerarchici (dimensione del kernel 3 × 3 × 3, stride 1 × 1 × 1, velocità di dilatazione 2) a tre risoluzioni (16 × 16 × 16, 32 × 32 × 32, 64 × 64 × 64).
    2. Cattura le correlazioni spaziotemporali su scala incrociata che coprono il movimento locale delle fibre fino alla contrazione ventricolare globale.
  2. Configurazione degli ingressi
    1. Utilizzare un input tensoriale 4D (canali × tempo × altezza × larghezza = 4 × 30 × 256 × 256) coprendo un ciclo cardiaco completo.
    2. Include sequenze cinetiche a quattro e due camere con 30 fotogrammi per ciclo con risoluzione temporale di 33 ms.

6. Salta la connessione dinamica

NOTA: Una connessione di salto dinamico cross-cycle è progettata con allocazione adattiva del peso per affrontare le caratteristiche temporali delle sequenze cine.

  1. Codificatore
    1. Progetta blocchi residui 3D a cinque livelli (ciascuno contenente quattro convoluzioni 3 × 3 × 3, con un numero di canali che si espande da 64 a 512) per estrarre le caratteristiche spazio-temporali.
    2. Sopprime dinamicamente gli artefatti del movimento respiratorio e il rumore del flusso sanguigno calcolando le matrici di peso spazio-temporale in un gate di attenzione spazio-temporale.
    3. Estrarre caratteristiche spazio-temporali multiscala, con dimensioni del tensore di output [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 fotogrammi/ciclo) in piramide a cinque strati.
  2. Decodificatore
    1. Combina funzionalità semantiche di alto livello (risoluzione 64 × 64 × 64) con funzionalità di risoluzione di basso livello (16 × 16 × 16) tramite convoluzione trasposta 3D (dimensione del kernel 2 × 2 × 2, stride 2) per la fusione di funzionalità su scala incrociata.
    2. Garantire l'affinamento spazio-temporale sincronizzato nell'interpolazione temporale (interpolazione spline cubica, fattore temporale 0,5).
    3. Stabilisci le dipendenze temporali nei moduli di unità ricorrenti con gate bidirezionale sfruttando gli stati nascosti in avanti e all'indietro per acquisire modelli contestuali a lungo raggio, mitigando al contempo i problemi di gradiente evanescente attraverso meccanismi di gating.
    4. Fusione dinamica delle caratteristiche di 5 fotogrammi adiacenti in convoluzione di allineamento temporale (dimensione del kernel 3 × 3 × 3, passo 1 × 1 × 1, velocità di dilatazione 2).

7. Strategia adattiva di allocazione del peso

  1. Configura i percorsi di elaborazione a doppio ramo all'interno del modulo di controllo dell'attenzione spaziotemporale per bilanciare dinamicamente i contributi delle funzionalità spaziali e temporali durante le operazioni di rete.
  2. Calcola le matrici di peso spaziale per 3 × 3 circonvoluzioni deformabili, enfatizzando i confini miocardici (strutture LA a parete sottile <2 mm) e compensando gli artefatti del movimento respiratorio nel ramo dell'attenzione spaziale.
  3. Dare priorità alle correlazioni critiche della fase cardiaca generando coefficienti di ponderazione temporale basati su metriche di deformazione tissutale derivate dai vettori di spostamento del miocardio.

8. Stabilizzazione del percorso residuo

  1. Ometti in modo casuale le connessioni interrotte temporalmente durante l'addestramento per migliorare la robustezza e prevenire l'esplosione del gradiente e il collasso delle funzionalità.
  2. Vincolare le matrici di peso per stabilizzare la propagazione delle feature.
    1. Applicare la regolarizzazione L2 con un coefficiente di zero virgola zero uno per vincolare gli aggiornamenti della matrice di peso.
    2. Limitate il valore massimo della sfumatura di peso a un punto zero per il ritaglio.
    3. Inizializza i pesi utilizzando un fattore di scala della radice quadrata di due diviso per il numero di nodi di input.
  3. Riduzione del canale con convoluzione separabile in profondità
    1. Inizializza la convoluzione in profondità utilizzando la dimensione del kernel 3 in tutte e tre le dimensioni con il conteggio dei gruppi che corrisponde alla dimensione del canale di input.
    2. Applica la convoluzione puntuale con la configurazione del kernel 1×1×1 per proiettare canali di funzionalità da 512 a 64 dimensioni.
    3. Esegui la normalizzazione batch e l'attivazione parametrica dell'unità lineare rettificata prima delle operazioni di concatenazione delle funzionalità.
  4. Segmentazione, sintesi e soppressione degli artefatti
    1. Unisci l'output della modellazione spazio-temporale con le mappe delle funzioni di attenzione adattiva attraverso la concatenazione dei canali.
    2. Migliora la delineazione dei confini miocardici utilizzando vincoli di contorno multiscala applicati specificamente a regioni più sottili di 2 mm.
    3. Implementa la soppressione degli artefatti da movimento attraverso la stabilizzazione delle caratteristiche pesata temporalmente nelle fasi cardiache.
    4. Genera la segmentazione atriale sinistra finale tramite il livello di output convoluzionale 1×1×1 con attivazione sigmoidea.
      NOTA: Per la convalida visiva, i risultati della segmentazione vengono visualizzati utilizzando il rendering 3D della superficie sovrapposto alle fette di immagine originali (tecnica di sovrapposizione della maschera semitrasparente) per garantire la continuità anatomica delle strutture a parete sottile dell'atrio sinistro. Per la valutazione quantitativa, vengono utilizzate metriche come il coefficiente dei dadi e la distanza di Hausdorff (HD).

9. Altre indicazioni per la risoluzione dei problemi

  1. Regolare i parametri di gating dell'ECG per ottenere una risoluzione temporale di 25-35 ms per un'acquisizione ottimale della fase cardiaca.
  2. Implementa la compensazione respiratoria utilizzando finestre di gating del navigatore da 5 mm per ridurre al minimo gli artefatti di movimento legati alla respirazione.
  3. Garantire il corretto posizionamento del paziente e fornire istruzioni chiare per la respirazione durante la procedura di imaging.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

Su un set di dati CMR comprendente 200 pazienti con miocardite, il framework proposto ha raggiunto un coefficiente di Dice di 0,921 per la segmentazione LA, che rappresenta un miglioramento del 12,3% rispetto ai modelli di base, con una velocità di elaborazione di 18 fotogrammi al secondo (fps). Utilizzando la distillazione dinamica del kernel per trasferire caratteristiche astratte di alto livello a caratteristiche di basso livello, il volume minimo HD per LA (LAVmin) è stato ottimizzato da 3,2 mm a 1,7 mm (r...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

Questo studio ha ottenuto una quantificazione precisa della struttura e della funzione dell'LA nei pazienti con miocardite attraverso protocolli CMR standardizzati e parametri di scansione LA dedicati, combinati con un'efficiente estrazione delle caratteristiche e una segmentazione rapida automatizzata utilizzando 3D-FCN. L'interazione sinergica tra parametri di imaging ottimizzati e innovazioni algoritmiche stabilisce una solida base tecnica per la traduzione clinica.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

Gli autori dichiarano che non sussistono conflitti di interesse.

Ringraziamenti

Questo studio è stato supportato dal Fondo per la ricerca scientifica clinica del Chengdu Medical College - Secondo ospedale affiliato del Chengdu Medical College e dal Nuclear Corportation 416 Hospital (2022LHFSZYB-10).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
Scanner MRI 3.0 TSiemens HealthineersSkyra 3.0 TSistema di risonanza magnetica clinica/di ricerca ad alta risoluzione con funzionalità avanzate di imaging cardiaco e corporeo.
3D SlicerComunità open sourcehttps://www.slicer.org/Software gratuito e open source per l'analisi di immagini mediche (segmentazione, registrazione, visualizzazione 3D). Supportato da NIH.
PyTorchMeta Piattaforme, Inc.https://pytorch.org/Framework di deep learning open source con grafici di calcolo dinamico, ampiamente utilizzato per la ricerca sull'intelligenza artificiale e l'implementazione di modelli. Supporta l'accelerazione GPU.

Riferimenti

  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).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE

Richiedi permesso

Tag

Segmentazione dell atrio sinistropazienti con miocarditesequenze cinesegmentazione tramite deep learningfusione di caratteristiche spaziotemporaliconvoluzione tridimensionaleconnessioni skip dinamichedisfunzione meccanica atrialecurve di volume dell atrio sinistro
Video in arrivo

Articoli correlati