このコンテンツを表示するには、JoVEへの購読が必要です。 または、無料トライアルをお申し込みください。

方法論記事

心筋炎患者の心血管磁気共鳴画像における左心房のセグメンテーション

621 閲覧数

⸱

DOI：

10.3791/68664

⸱

2025年7月18日

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

* These authors contributed equally

この記事について

サマリー

3次元の完全畳み込みネットワーク強化CINE解析により、心筋炎における正確な左心房機能評価が可能になり、早期の収縮期-拡張期機能障害の検出を改善し、心房の機械的機能障害の臨床診断とモニタリングのための駆出率予測エラーを減らすことができます。

要約

心血管磁気共鳴(CMR)シネシーケンスは、心筋炎患者の動的左心房(LA)機能を評価するための基礎となるイメージング技術として機能します。このモダリティは、心周期全体の3次元運動特性を高い時間分解能で捉えることにより、心筋の収縮協調と壁運動の異常を分析するための重要なデータを提供します。ダイナミックモデリングやひずみ符号化イメージングなどの主要な技術革新により、心筋炎における初期段階のLA収縮期拡張期機能障害の定量的評価が可能になります。しかし、シネ配列のセグメンテーションにおける主な課題は、動的アーティファクトと薄肉構造の時空間連続性モデリングです。従来の閾値ベースのセグメンテーション手法では、モーションパターンをキャプチャできないため、動的シーケンスの一貫性が限られていることが示されています。3次元全畳み込みネットワーク(3D-FCN)を利用した深層学習アプローチは、(1)時空間特徴融合:これは、3D畳み込みカーネルを使用して空間構造と時間次元特徴を同時に抽出し、モーションブラー効果を低減しました。(2)ダイナミックスキップ接続:エンコーダー-デコーダーアーキテクチャに組み込まれたこれらの接続は、クロステンポラルな特徴伝播を通じて、異なる心臓相間の変形相関モデリングを強化しました。(3)軽量設計:パッチ処理と深さ分離畳み込みを利用することで、大規模な4次元データセットのリアルタイム処理に計算効率を最適化しました。3D-FCNのLAセグメンテーションのダイス係数は0.921で、従来の手法に比べて12.3%向上しました。この設計により、LA 駆出率の予測誤差が 8.7% から 3.2% に減少しました。セグメンテーションの結果は、LAの体積-時間曲線やひずみ速度などの定量的指標の計算を直接容易にしました。これらの指標は、心筋炎に関連する心房の機械的機能障害の臨床診断を裏付けました。

概要

心筋磁気共鳴(CMR)シネ配列は、心筋炎患者の動的左心房(LA)機能を評価するための主要なイメージングモダリティとして、心筋収縮協調の異常と初期の拡張期機能障害を特定するための重要なデータを提供し、その高い時間分解能と3次元モーションキャプチャ機能を活用しています1,2,3,4,5 .ひずみ符号化イメージングと動的モーションモデリング技術により、CMR cine配列は、組織病理学的変化と強く相関し、主要な有害な心血管イベントを予測する心筋浮腫と線維症の正確な検出を可能にします6,7,8,9。CMRの特徴追跡により、LAひずみのリザーバー、導管、ポンプ機能を反映して、LAひずみを定量的に評価できます。左心室拡張期機能障害に関連する左心房圧の上昇は、CMRを介したLAひずみ速度分析を通じて間接的に評価でき、異常な左心室充填パターン8,10,11,12への洞察を提供します。

心筋炎では、受動的ひずみや能動的ひずみなどの特定のひずみ指標が心筋線維症と強い相関を示し、LA力学13,14,15,16の代償性機能障害の早期検出を可能にします。特に、LA株の減少は、心筋炎患者の構造拡張に先行することが多く、CMRシネ配列はこれらの初期のリモデリングパターンを敏感に捉え、タイムリーな臨床介入のための重要な窓を提供します。しかし、シネ配列のセグメンテーションは複数の課題に直面している:薄肉のLA構造は呼吸運動アーチファクトの影響を受けやすく、駆出率の計算に誤差をもたらす一方、従来の閾値ベースのセグメンテーション法は、非対称変形パターン15,17を捕捉できないためにLAの最小体積を体系的に過大評価する。

近年、圧縮センシング技術は、k空間アンダーサンプリングによるスキャン時間を短縮し、LAパッシブ駆出率のゴールドスタンダード測定と高い相関関係を示していますが、総駆出率とアクティブポンプ機能の過小評価は依然として最適化されていません18,19,20,21.特に、深層学習駆動の心臓運動予測モデルは、位相速度符号化と適応運動補正アルゴリズムを統合することにより、自由呼吸シーケンスにおける正確な動的LA機能モデリングを達成した22,23。この研究は、深層学習アルゴリズムを使用して、心筋炎に関連するLAの機械的機能障害の臨床診断の重要な基盤を確立し、心筋炎患者のパーソナライズされたリスク層別化と予後予測を可能にすることを目的としています。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

プロトコル

成都医科大学の倫理委員会は、この研究がインフォームドコンセントの放棄の基準を満たしていると判断しました。この研究は、ヘルシンキ宣言で概説された原則を遵守しました。

1. 患者様の選択

  1. 次の選択基準を使用してください: ウイルス後症状、バイオマーカーの上昇、心電図 (ECG) 異常など、急性心筋炎の臨床基準を満たす心筋炎の患者。
  2. 次の患者を除外します:虚血性、弁膜症、または先天性心疾患;薬物、化学療法、または感染症による二次的な心筋損傷;非診断画像;リスクの高い状態(妊娠、腎機能障害、血行動態の不安定性)。

2. CMRイメージングプロトコルとスキャンパラメータ

  1. スキャナーの構成
    1. 症状の発症後14〜28日以内に、32チャンネルの心臓フェーズドアレイコイルを搭載した3.0テスラ磁気共鳴画像スキャナーを操作します。
    2. コンソールの コイルチェック 機能を使用してコイル検証を実行し、その後に自動キャリブレーションルーチンを実行します。
      注:患者の位置決めには、コイルが左中央腋窩線の中央にうつ伏せの向きが必要です。
  2. 左心房機能評価
    1. Protocol Manager > Cardiac > Cine_balanced定常状態自由歳差運動 (bSSFP) 経路を通じて、バランスの取れた定常状態自由歳差運動シネイメージングを開始します。
    2. 不整脈調節の Trigger Window パラメーターを 15% に設定して、レトロスペクティブ心電図ゲーティングを構成します。
    3. 12 k-spaceセグメントを介して33 msの時間分解能(30フェーズ)をプログラミングすることにより、心周期を完全にカバーします。
      注:主なパラメータには、繰り返し時間/エコー時間3.0 / 1.5ミリ秒、フリップ角度45°、帯域幅930 Hz /ピクセル、およびマトリックス256×256が含まれます。
  3. 標準的な心平面取得
    1. 3 平面ローカライザー シーケンスを使用して、約 18 秒かかるスカウト画像を取得します。
    2. 左心室尖と僧帽弁の中心を通るイメージング平面を軸方向ローカライザーに合わせ、4チャンバービューを処方します。
    3. 4 チャンバーの処方箋を複製し、時計回りに 60°回転させることで、2 チャンバー ビューを生成します。
  4. 並列イメージングの実装
    1. コンソールの [Acceleration ] タブと 並列イメージング係数 2 を使用して、一般化自動キャリブレーションの部分並列取得をアクティブにします。
    2. Phase Partial Fourier を 6/8 コンフィギュレーションに設定して、パーシャル フーリエ サンプリングを有効にします。
    3. 22秒を必要とする24の自動キャリブレーション信号ラインでリファレンスキャリブレーションを実行します。
      注:主要なスキャンパラメータには、TR / TE = 3.0 ms / 1.5 ms、フリップ角度= 45°、および帯域幅= 930 Hz /ピクセルが含まれます。
  5. 左心房特異的イメージング
    1. 拡張期中期の僧帽弁輪、中隔から15 mmのところにある漏斗状の左心房屋根、明確な葉構造を示す左心房付属器(LAA)オリフィスなど、解剖学的なランドマークを特定します。
    2. 肺静脈の開口部から左心房付属器の先端まで広がる4チャンバービューに対して垂直に長軸平面を位置合わせします。
      注: 3 つの重要な解剖学的ランドマークが CMR 平面のローカリゼーションを導きます: 僧帽弁輪、両方のリーフレットの中期拡張期の視覚化が必要、漏斗状の LA 屋根は中隔から 15 mm の中心にあり、右上肺静脈口、および LAA オリフィスは、左上肺静脈とは明確な境界を持つ明確な葉構造を示しています。
  6. 短軸スタック集録
    1. 拡張期 2 チャンバー ビュー ガイダンスを使用して、僧帽弁輪面に平行な連続した短軸スライスを処方します。
    2. スライス形状を厚さ 3 mm で構成し、肺静脈の起点から左心室頂点までをカバーする合計 15 のスライスを構成します。
  7. 高解像度イメージング
    1. 1200 Hz /ピクセルの帯域幅で0.8×0.8×2.5 mmの解像度を達成するズームバランスのとれた定常状態の自由歳差運動シーケンスを採用。
    2. 拡張期飽和バンドを左心耳の流出上に配置 R-wave 後 50 ミリ秒で、厚さ 10 mm を使用して。
  8. 呼吸運動制御
    1. ナビゲーターゲーティングを展開するには、5mmの受け入れウィンドウを備えた右半隔膜ドームのダイヤフラムトラッキング機能をアクティブにします。
    2. 加速係数 4.0 での圧縮センシング再構成を可能にし、リアルタイムの定常状態の自由歳差運動シーケンスを実装することで、息止め時間を最小限に抑えます。
      注:患者の安全を確保するために、この研究は、心血管磁気共鳴の臨床適応症に関する心血管磁気共鳴学会(SCMR)のポジションペーパー(2020)24を厳守しました。

3. データの前処理と品質管理

  1. 非硬性B-スプラインレジストレーションを利用して、呼吸および不整脈によるミスアライメント(最大許容誤差±4 mm)に対処し、動作を矯正します。
  2. N4バイアスフィールド補正とヒストグラムマッチングを使用して、スキャナー間で強度を標準化し、信号の均質化を実現します。
  3. ガイドライン25に従って、2人の専門放射線科医(>5年の経験)によるゴールドスタンダードの注釈を3Dスライサーで実行します。
    注意: システム要件、インストール手順、基本機能モジュール、およびワークフローは、公式ガイド26に基づいています。
  4. 薄いLAウォール(<2 mm)を、50%グレースケールのグラデーションしきい値を使用して解像します。アノテーションのオブザーバー間一致はICC>0.91を超え、Dice > 0.95を超え、モデルのトレーニングと検証のための堅牢なグラウンドトゥルースを確保しました。
    注:すべてのデータは可逆的な匿名化を受けており、敵対的な摂動と目に見える透かしを通じてプライバシーを保護し、許可された復号化と復元を可能にします。一時的に保存されたデータは、厳格なアクセス制御によって暗号化され、廃棄時には暗号的に消去される27。

4. 時空間特徴融合技術

  1. 3D完全畳み込みネットワーク(3D-FCN)に基づくディープラーニングアプローチを採用して、すべての心臓病期にわたる左心房セグメンテーションの精度を向上させます。
  2. 3D-FCNアーキテクチャ内に1、2、4、8の拡張率を組み込んだ時空間特徴ピラミッドモジュールを統合し、複数の解像度スケールで心筋の動きパターンをキャプチャします。
    注:特徴抽出には、ダウンサンプリング操作ごとにチャネル寸法[32、64、128、256、512]が増加する5つのエンコーダーステージを使用します。

5. ネットワークアーキテクチャ

  1. マルチスケール時空間モデリング
    1. 階層型 3D 畳み込みカーネル (カーネル サイズ 3 × 3 × 3、ストライド 1 × 1 × 1、拡張速度 2) を 3 つの解像度 (16 × 16 × 16、3×2 × 32、64 × 64 × 64) でデプロイします。
    2. 局所的な線維運動から全体的な心室収縮までのクロススケールの時空間相関をキャプチャします。
  2. 入力構成
    1. 4D テンソル入力 (チャネル × 時間 × 高さ × 幅 = 4 × 30 × 256 × 256) を使用して、全心周期をカバーします。
    2. 4 チャンバーと 2 チャンバーのシネ シーケンスを、33 ms の時間分解能でサイクルあたり 30 フレームで含めます。

6.ダイナミックスキップ接続

注:クロスサイクルダイナミックスキップ接続は、シネシーケンスの時間特性に対処するために、適応的なウェイト割り当てを使用して設計されています。

  1. エンコーダー
    1. 5 レベルの 3D 残差ブロック (それぞれに 4 つの 3 × 3 × 3 畳み込みが含まれ、チャネル数が 64 から 512 に拡張) を設計して、時空間の特徴を抽出します。
    2. 時空間アテンションゲートで時空間的な重み行列を計算することにより、呼吸運動アーチファクトと血流ノイズを動的に抑制します。
    3. 出力テンソル次元 [C × T × H × W] = [64 × 30 × 2×56, 128 × 30 × 128 × 128, 256 × 30 × 64 × 64, 512 × 30 × 32 × 32, 1024 × 30 × 16 × 16] (T = 30 フレーム/サイクル) を使用して、マルチスケールの時空間特徴を抽出します。
  2. デコーダ
    1. 3D 転置畳み込み (カーネル サイズ 2 × 2 × 2、ストライド 2) を介して、高レベルのセマンティック特徴 (64 × 64 × 64 解像度) と低レベル解像度の特徴 (16 × 16 × 16) を組み合わせて、クロススケールの特徴融合を実現します。
    2. 時間内挿 (3 次スプライン内挿、時間係数 0.5) で同期した時空間の細分化を確保します。
    3. 前方と後方の両方の隠れ状態を活用して長距離のコンテキストパターンをキャプチャすることで、双方向ゲートリカレントユニットモジュールに時間的依存関係を確立し、ゲーティングメカニズムを通じて勾配消失の問題を軽減します。
    4. 時間的アライメント畳み込みで隣接する 5 フレームからの特徴を動的に融合します (カーネル サイズ 3 × 3 × 3、ストライド 1 × 1 × 1、拡張速度 2)。

7. 適応型体重配分戦略

  1. 時空間アテンションゲーティングモジュール内で二重分岐処理経路を構成して、ネットワーク操作中に空間的および時間的な特徴の寄与を動的にバランスさせます。
  2. 3 × 3 の変形可能な畳み込みの空間重量行列を計算し、心筋境界 (薄肉 LA 構造 <2 mm) を強調し、空間的注意ブランチの呼吸運動アーティファクトを補正します。
  3. 心筋変位ベクトルから導き出された組織変形メトリクスに基づいて時間的重み係数を生成することにより、重要な心相相関に優先順位を付けます。

8. 残存経路の安定化

  1. トレーニング中に一時的にドロップされた接続をランダムに省略して、勾配の爆発や機能の崩壊を防ぐための堅牢性を高めます。
  2. 重み行列を制約して、特徴の伝播を安定させます。
    1. 係数が 0 点 0 1 の L2 正則化を適用して、重み行列の更新を制約します。
    2. クリッピングの最大ウェイト グラディエント値を 1 ポイント 0 に制限します。
    3. 2 の平方根を入力ノードの数で割ったスケーリング係数を使用して重みを初期化します。
  3. 深さ方向の分離可能な畳み込みによるチャネル削減
    1. 3 次元すべてでカーネル サイズ 3 を使用して、グループ数が入力チャネル次元と一致する深さ方向の畳み込み込みを初期化します。
    2. 1×1×1 カーネル コンフィギュレーションの点回畳み込みを 512 次元から 64 次元のプロジェクト特徴チャネルに適用します。
    3. 特徴の連結演算の前に、バッチ正規化とパラメトリック整流線形ユニットの活性化を実行します。
  4. セグメンテーション、合成、アーティファクト抑制
    1. 時空間モデリング出力を、チャネル単位の連結を通じて適応型アテンション特徴マップと融合します。
    2. 2 mm より細い領域に特化して適用されるマルチスケール輪郭制約を使用して、心筋境界の描写を強化します。
    3. 心相全体で時間的に重み付けされた特徴安定化を通じて、モーション アーティファクト抑制を実装します。
    4. シグモイド活性化を伴う 1×1×1 畳み込み出力層を介して最終的な左心房セグメンテーションを生成します。
      注:視覚的な検証のために、セグメンテーション結果は、元の画像スライスに重ね合わせた3D表面レンダリング(半透明マスクオーバーレイ技術)を使用して表示され、左心房の薄壁構造の解剖学的連続性を確保します。定量的評価には、サイコロ係数やハウスドルフ距離(HD)などの指標が使用されます。

9. その他のトラブルシューティングガイダンス

  1. ECGゲーティングパラメータを調整して、最適な心相捕捉のための25〜35ミリ秒の時間分解能を達成します。
  2. 5mmのナビゲーターゲートウィンドウを使用して呼吸補償を実装し、呼吸関連のモーションアーチファクトを最小限に抑えます。
  3. 患者の適切なポジショニングを確保し、イメージング手順全体を通して明確な呼吸指示を提供します。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

結果

200人の心筋炎患者からなるCMRデータセットでは、提案されたフレームワークは、LAセグメンテーションのDice係数0.921を達成し、ベースラインモデルよりも12.3%改善し、処理速度は18フレーム/秒(fps)でした。動的カーネル蒸留を採用して高レベルの抽象的特徴を低レベルの特徴に移すことにより、HD for LA最小体積(LAVmin)は3.2mmから1.7mmに最適化されました(削減:46.9%)。薄肉LA構造(厚さ<2 mm)では、HDは4.3 mmから2.1 mmに減少(51.2 mm改善)し、時空間連続エラー(フレーム間の変形フィールドの一貫性によって評価)は58 <減少しました(p 0.01)。

計算効率を向上させるため、標準的な畳み込みを深さ方向に分離可能な 3D 畳み込みが置き換え、モデル パラメータを 1,250 万から 320 万に圧縮 (74.4% 削減) し、推論を 22 fps に高速化しました。動的カーネル蒸留により、高レベル特徴量(512チャンネル)から低レベル特徴量(64チャンネル)への知識の移行がさらに可能に...

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

ディスカッション

この研究では、標準化されたCMRプロトコルと専用のLAスキャンパラメータ、効率的な特徴抽出、3D-FCNを使用した自動迅速セグメンテーションを組み合わせることで、心筋炎患者のLA構造と機能の正確な定量化が達成されました。最適化されたイメージングパラメータとアルゴリズムの革新との間の相乗的な相互作用により、臨床翻訳のための強固な技術基盤が確立されます。

CMR は、心筋炎における LA の構造的および機能的異常を評価するための基礎となるツールであり続けています。ただし、既存の技術的な制限には、不十分な空間解像度、モーションアーティファクトによる画質のばらつき、標準化されたプロトコルの欠如などがあります。ベンダー固有のソフトウェアアルゴリズム間での系統参照値の不一致は、臨床採用をさらに妨げます。さらに、手動のLA等高線描写は時間がかかり、観察者間のばらつきが発生しやすく、不規則または短縮された心房形態の場合には重大なエラーがあります21,28,29,31。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

開示事項

著者は、利益相反がないことを宣言します。

謝辞

この研究は、成都医科大学の臨床科学研究基金-成都医科大学の第二付属病院および核移植416病院(2022LHFSZYB-10)の支援を受けました。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

材料

この記事で使用された材料の一覧
名前会社カタログ番号コメント
3.0 T MRIスキャナーシーメンス・ヘルティニアーズSkyra 3.0 T高度な心臓および身体イメージング機能を備えた高解像度の臨床/研究用MRIシステム。
3Dスライサーオープンソースコミュニティhttps://www.slicer.org/医療画像解析(セグメンテーション、レジストレーション、3Dビジュアライゼーション)のための無料のオープンソースソフトウェア。NIHの支援を受けています。
PyTorchメタ プラットフォームズ株式会社https://pytorch.org/動的計算グラフを備えたオープンソースのディープラーニングフレームワークで、AI研究やモデル展開に広く使用されています。GPUアクセラレーションをサポートします。

参考文献

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

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

再版と許可

タグ

LA
動画は近日公開
お問い合わせ
図書館への推薦

プライバシー

利用規約

ポリシー

著作権 © 2026 MyJoVE Corporation. 無断転載を禁じます。