이 콘텐츠를 보려면 JoVE 구독이 필요합니다. 로그인하거나 오늘 무료 평가판을 시작하세요.

방법 논문

심근염 환자의 심혈관 자기 공명 영상에서 좌심방의 세분화(Segmentation of the Left Atrium in Cardiovascular Magnetic Resonance Images of Patients with Myocarditis)

621 조회수

⸱

DOI:

10.3791/68664

⸱

2025년 7월 18일

 ,  ,  ,  ,  ,  ,  ,  , 
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

이 논문에서

요약

3차원 완전 컨볼루션 네트워크 강화 cine 분석을 통해 심근염에서 정확한 좌심방 기능 평가를 가능하게 하여 수축기-이완기 기능 장애를 조기에 감지하고 심방 기계적 기능 장애의 임상 진단 및 모니터링을 위한 박출 분획 예측 오류를 줄일 수 있습니다.

초록

심혈관 자기 공명(CMR) 시네 염기서열은 심근염 환자의 동적 좌심방(LA) 기능을 평가하기 위한 초석 영상 기법 역할을 합니다. 이 방식은 높은 시간 해상도로 심장 주기 전반에 걸쳐 3차원 모션 특성을 캡처함으로써 심근 수축 조정 및 벽 모션 이상을 분석하는 데 중요한 데이터를 제공합니다. 동적 모델링 및 스트레인 인코딩 이미징과 같은 주요 기술 혁신은 심근염의 초기 단계 LA 수축기-이완기 기능 장애에 대한 정량적 평가를 가능하게 합니다. 그러나 시네 시퀀스 분할의 주요 과제는 동적 아티팩트와 얇은 벽 구조의 시공간 연속성 모델링과 관련이 있습니다. 기존의 임계값 기반 세분화 방법은 모션 패턴을 캡처할 수 없기 때문에 동적 시퀀스에서 제한된 일관성을 보여줍니다. 3D-FCN(3차원 완전 컨볼루션 네트워크)을 활용하는 딥 러닝 접근 방식은 세 가지 전략적 향상을 통해 탁월한 정확도를 달성했습니다. (1) 시공간 기능 융합: 3D 컨볼루션 커널을 사용하여 공간 구조와 시간 차원 기능을 동시에 추출하여 모션 블러링 효과를 줄였습니다. (2) 동적 스킵 연결: 인코더-디코더 아키텍처에 통합된 이러한 연결은 교차 시간 기능 전파를 통해 서로 다른 심장 위상에 걸친 변형 상관 관계 모델링을 강화했습니다. (3) 경량 설계: 패치별 처리와 깊이 분리 가능한 컨볼루션을 활용하여 대규모 4차원 데이터 세트의 실시간 처리를 위해 계산 효율성을 최적화했습니다. 3D-FCN은 LA 분할에 대해 0.921의 주사위 계수를 달성했으며, 이는 기존 방법보다 12.3% 개선된 것입니다. 이 설계는 LA 박출률 예측 오차를 8.7%에서 3.2%로 줄였습니다. 세분화 결과는 LA 부피-시간 곡선 및 변형률을 포함한 정량적 메트릭의 계산을 직접적으로 용이하게 했습니다. 이러한 지표는 심근염 관련 심방 기계 기능 장애의 임상 진단을 뒷받침했습니다.

서론

심근염 환자의 동적 좌심방(LA) 기능을 평가하기 위한 핵심 이미징 방식인 심혈관 자기 공명(CMR) 시네 염기서열은 높은 시간 해상도와 3차원 모션 캡처 기능을 활용하여 심근 수축 조정 및 초기 이완기 기능 장애의 이상을 식별하는 데 중요한 데이터를 제공합니다 1,2,3,4,5. 스트레인 인코딩 이미징 및 동적 모션 모델링 기술을 통해 CMR cine sequence는 조직 병리학적 변화와 밀접한 관련이 있는 심근 부종 및 섬유증을 정밀하게 감지하고 주요 심혈관 부작용을 예측할 수 있습니다 6,7,8,9. CMR 기능 추적을 통해 저장소, 도관 및 펌프 기능을 반영하여 LA 변형을 정량적으로 평가할 수 있습니다. 좌심실 이완기 기능 장애와 관련된 좌심방 압력 상승은 CMR을 통한 LA 변형률 분석을 통해 간접적으로 평가할 수 있으며, 비정상적인 좌심실 충전 패턴에 대한 통찰력을 제공할 수 있습니다 8,10,11,12.

심근염에서 수동 변형률(passive strain) 및 능동 변형률(active strain)과 같은 특정 변형률 지표는 심근 섬유증과 강한 상관관계를 나타내므로 LA 역학에서 보상 기능 장애를 조기에 감지할 수 있습니다 13,14,15,16. 특히, LA 변형의 감소는 종종 심근염 환자에서 구조적 확장보다 먼저 이루어지며, CMR cine sequence는 이러한 초기 리모델링 패턴을 민감하게 포착하여 적시에 임상 개입을 위한 중요한 창을 제공합니다. 그러나 cine sequence segmentation은 여러 가지 문제에 직면해 있습니다: 얇은 벽의 LA 구조는 호흡 운동 아티팩트에 취약하여 박출률 계산에 오류가 발생하며, 기존의 임계값 기반 분할 방법은 비대칭 변형 패턴을 포착할 수 없기 때문에 LA 최소 부피를 체계적으로 과대 평가합니다15,17.

최근 몇 년 동안 압축 감지 기술은 k-space 언더샘플링을 통해 스캔 시간을 단축하여 LA 수동 박출률에 대한 황금 표준 측정과 높은 상관관계를 보여주었지만 총 박출률 및 능동 펌프 기능의 과소 평가는 여전히 최적화되어야 합니다 18,19,20,21. 특히, 딥 러닝 기반 심장 운동 예측 모델은 위상 속도 인코딩 및 적응형 모션 보정 알고리즘을 통합하여 자유 호흡 시퀀스에서 정확한 동적 LA 기능 모델링을 달성했습니다22,23. 본 연구는 딥러닝 알고리즘을 사용하여 심근염 관련 LA 기계적 기능 장애의 임상 진단을 위한 중요한 기반을 구축하여 심근염 환자에 대한 개인화된 위험 계층화 및 예후 예측을 가능하게 하는 것을 목표로 합니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

프로토콜

청두 의과대학 윤리위원회는 이 연구가 사전 동의 포기 기준을 충족한다고 판단했다. 이 연구는 헬싱키 선언에 명시된 원칙을 고수했습니다.

1. 환자 선택

  1. 다음 포함 기준을 사용하십시오: 바이러스 후 증상, 바이오마커 상승 및 심전도(ECG) 이상을 포함하여 급성 심근염에 대한 임상 기준을 충족하는 심근염 환자.
  2. 다음과 같은 환자는 제외합니다: 허혈성 심장 질환, 판막 심장 질환 또는 선천성 심장 질환; 약물, 화학 요법 또는 감염으로 인한 이차성 심근 손상; 비진단적 영상; 고위험 상태(임신, 신장 기능 장애 또는 혈역학적 불안정성).

2. CMR 이미징 프로토콜 및 스캐닝 매개변수

  1. 스캐너 구성
    1. 32채널 심장 위상 배열 코일이 장착된 3.0 Tesla 자기 공명 영상 스캐너를 증상 발현 후 14-28일 이내에 작동하십시오.
    2. 콘솔의 Coil Check 기능을 사용하여 코일 검증을 실행한 후 자동 보정 루틴을 실행합니다.
      알림: 환자 자세를 잡으려면 코일이 왼쪽 중간 겨드랑이 라인의 중앙에 있는 앙와위 방향이 필요합니다.
  2. 좌심방 기능 평가
    1. 프로토콜 관리자 > 심장 > Cine_balanced 정상 상태 자유 세차(bSSFP) 경로를 통해 균형 잡힌 정상 상태 자유 세차 운동 cine 이미징을 시작합니다.
    2. 부정맥 조절을 위해 Trigger Window 매개변수를 15%로 설정하여 후향적 심전도 게이팅을 구성합니다.
    3. 12개의 k-공간 세그먼트를 통해 33ms의 시간 분해능(30위상)을 프로그래밍하여 전체 심장 주기 범위를 달성합니다.
      참고: 주요 매개변수에는 반복 시간/에코 시간 3.0/1.5ms, 플립 각도 45°, 대역폭 930Hz/픽셀 및 매트릭스 256×256이 포함됩니다.
  3. 표준 심장 평면 획득
    1. three-plane localizer sequence를 사용하여 scout 이미지를 얻을 수 있으며, 약 18초가 소요됩니다.
    2. Axial Localizer의 좌심실 정점과 승모판 중심을 통해 이미징 평면을 정렬하여 4-chamber view를 처방합니다.
    3. 4개의 챔버 처방을 복제하고 시계 방향으로 60° 회전을 적용하여 2개의 챔버 보기를 생성합니다.
  4. 병렬 이미징 구현
    1. 병렬 이미징 인자 2가 있는 콘솔의 Acceleration 탭을 사용하여 일반화된 자동 보정 부분 병렬 획득을 활성화합니다.
    2. Phase Partial Fourier를 6/8 구성으로 설정하여 부분 푸리에 샘플링을 활성화합니다.
    3. 22초가 필요한 24개의 자동 교정 신호 라인으로 기준 교정을 수행합니다.
      참고: 주요 스캔 매개변수에는 TR/TE = 3.0ms/1.5ms, 플립 각도 = 45°, 대역폭 = 930Hz/픽셀이 포함됩니다.
  5. 좌심방 특이적 이미징
    1. 이완기 중간의 승모판 고리, 중격에서 15mm 떨어진 깔때기 모양의 좌심방 지붕, 뚜렷한 엽 구조를 보여주는 좌심방 부속기(LAA) 구멍을 포함한 해부학적 랜드마크를 식별합니다.
    2. 장축 평면을 폐정맥 구멍에서 좌심방 부속기 끝까지 걸쳐 있는 4개의 챔버 보기에 수직으로 정렬합니다.
      참고: CMR 평면 국소화를 안내하는 세 가지 필수 해부학적 랜드마크: 두 전단지의 중간 이완기 시각화가 필요한 승모판 고리, 오른쪽 상폐정맥 골의 중격에서 15mm 중심의 깔때기 모양의 LA 지붕, 좌측 상폐정맥과 뚜렷한 경계가 있는 명확한 엽 구조를 보여주는 LAA 구멍.
  6. Short-axis 스택 획득
    1. 이완기 2-챔버 보기 안내를 사용하여 승모판 고리 평면에 평행한 연속적인 단축 절편을 처방합니다.
    2. 폐정맥 기원에서 좌심실 정점까지 총 15개의 슬라이스를 포함하는 3mm 두께의 슬라이스 형상을 구성합니다.
  7. 고해상도 이미징
    1. 1200Hz/픽셀의 대역폭으로 0.8×0.8×2.5mm 해상도를 달성하는 확대/축소, 균형 조정, 정상 상태 자유 세차 시퀀스를 사용합니다.
    2. 10mm 두께를 사용하여 R파 후 50ms에서 좌심방 부속기 유출 위에 이완기 포화 밴드를 배치합니다.
  8. 호흡 운동 제어
    1. 5mm 수용 창이 있는 오른쪽 반격 돔에서 다이어프램 추적 기능을 활성화하여 내비게이터 게이팅을 배포합니다.
    2. 가속 계수 4.0에서 압축된 감지 재구성을 가능하게 하고 실시간 정상 상태 무료 세차 운동 시퀀스를 구현하여 숨 참기 시간을 최소화합니다.
      참고: 환자의 안전을 보장하기 위해 본 연구는 심혈관 자기공명(Cardiovascular Magnetic Resonance)의 임상적 적응증에 대한 SCMR(Society for Cardiovascular Magnetic Resonance)의 입장 논문(2020)을 엄격하게 준수했다24.

3. 데이터 전처리 및 품질 관리

  1. 동작 보정을 위해 호흡기 및 부정맥으로 인한 정렬 불량(최대 허용 오차 ± 4mm)을 해결하기 위해 비강성 B-스플라인 등록을 활용합니다.
  2. N4 바이어스 필드 보정 및 히스토그램 매칭을 사용하여 신호 균질화를 위해 스캐너 전반의 강도를 표준화합니다.
  3. 가이드라인25에 따라 2명의 전문 방사선 전문의(>5년 경력)가 3D 슬라이서에서 황금 표준 주석을 수행합니다.
    참고: 시스템 요구 사항, 설치 단계, 기본 기능 모듈 및 워크플로는 공식 가이드26을 기반으로 합니다.
  4. 50% 그레이스케일 그래디언트 임계값을 사용하여 얇은 LA 벽(<2mm)을 분해합니다. 주석에 대한 관찰자 간 일치도는 ICC > 0.91, Dice > 0.95를 초과하여 모델 학습 및 검증을 위한 강력한 실측 자료를 보장했습니다.
    참고: 모든 데이터는 되돌릴 수 있는 익명화를 거쳐 적대적 교란과 가시적인 워터마크를 통해 개인 정보를 보호하는 동시에 승인된 암호 해독 및 복원을 허용합니다. 임시로 저장된 데이터는 엄격한 접근 통제를 통해 암호화되며, 폐기 시 암호로 삭제된다27.

4. 시공간 특징 융합 기술

  1. 3D 완전 컨볼루션 네트워크(3D-FCN)를 기반으로 하는 딥 러닝 접근 방식을 사용하여 모든 심장 단계에서 좌심방 분할 정확도를 향상시킵니다.
  2. 3D-FCN 아키텍처 내에서 1, 2, 4, 8의 팽창 속도를 통합하는 시공간 피처 피라미드 모듈을 통합하여 여러 해상도 스케일에서 심근 모션 패턴을 캡처할 수 있습니다.
    참고: 특징 추출은 채널 치수가 [32, 64, 128, 256, 512]인 5개의 인코더 단계를 사용하며 각 다운샘플링 작업마다 점진적으로 증가합니다.

5. 네트워크 아키텍처

  1. 멀티스케일 시공간 모델링
    1. 계층적 3D 컨볼루션 커널(커널 크기 3 × 3 × 3, 스트라이드 1 × 1 × 1, 팽창 속도 2)을 세 가지 해상도(16 × 1×6, 32 × 32, 64 ×× 64 × 64)로 배포합니다.
    2. 전체 심실 수축에 대한 국소 섬유 움직임을 포함하는 교차 스케일 시공간 상관 관계를 캡처합니다.
  2. 입력 구성
    1. 전체 심장 주기를 포함하는 4D 텐서 입력(채널 × 시간 × 높이 × 너비 = 4 × 30 × 256 × 256)을 사용합니다.
    2. 33ms 시간 해상도에서 사이클당 30프레임의 4챔버 및 2챔버 시네 시퀀스를 포함합니다.

6. 동적 스킵 연결

참고: 크로스 사이클 동적 스킵 연결은 시네 시퀀스의 시간적 특성을 해결하기 위해 적응형 가중치 할당으로 설계되었습니다.

  1. 인코더
    1. 시공간 특징을 추출하기 위해 5단계 3D 잔여 블록(각각 4개의 3 × 3 × 3 컨볼루션을 포함하며 채널 수가 64개에서 512개로 확장됨)을 설계합니다.
    2. 시공간 주의 게이트에서 시공간 가중치 매트릭스를 계산하여 호흡 운동 아티팩트 및 혈류 소음을 동적으로 억제합니다.
    3. 5층 피라미드에서 출력 텐서 차원 [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 프레임/주기)을 사용하여 멀티스케일 시공간 특징을 추출합니다.
  2. 해독기
    1. 3D 전치 컨볼루션(커널 크기 2 × 2 × 2, stride 2)을 통해 높은 수준의 의미 체계 기능(64 × 64 × 64 해상도)과 낮은 수준의 해상도 기능(16 × 16 × 16)을 결합하여 교차 스케일 기능 융합을 수행합니다.
    2. 시간 보간에서 동기화된 시공간 개선을 보장합니다(3차 스플라인 보간, 시간 계수 0.5).
    3. 전방 및 후방 은닉 상태를 모두 활용하여 장거리 컨텍스트 패턴을 캡처하는 동시에 게이팅 메커니즘을 통해 소실되는 기울기 문제를 완화함으로써 양방향 게이트 순환 단위 모듈에서 시간적 종속성을 설정합니다.
    4. 시간적 정렬 컨볼루션(커널 크기 3 × 3 × 3, 스트라이드 1 × 1 × 1, 팽창 속도 2)에서 인접한 5개 프레임의 기능을 동적으로 융합합니다.

7. 적응형 체중 할당 전략

  1. 시공간 주의 게이팅 모듈 내에서 이중 분기 처리 경로를 구성하여 네트워크 운영 중에 공간 및 시간 기능 기여도의 균형을 동적으로 조정합니다.
  2. 3 × 3 변형 가능한 컨볼루션에 대한 공간 가중치 행렬을 계산하여 심근 경계(얇은 벽의 LA 구조<2mm)를 강조하고 공간 관심 분기에서 호흡 운동 아티팩트를 보상합니다.
  3. 심근 변위 벡터에서 파생된 조직 변형 메트릭을 기반으로 시간적 가중치 계수를 생성하여 중요한 심장 위상 상관 관계의 우선 순위를 지정합니다.

8. 잔류 경로 안정화

  1. 훈련 중에 일시적으로 드롭된 연결을 임의로 생략하여 그래디언트 폭발 및 기능 붕괴를 방지하기 위한 견고성을 향상시킵니다.
  2. 피처 전파를 안정화하기 위해 가중치 매트릭스를 제한합니다.
    1. 계수가 0 점 0 1인 L2 정규화를 적용하여 가중치 행렬 업데이트를 제한합니다.
    2. 클리핑을 위해 최대 가중치 그라데이션 값을 1포인트 0으로 제한합니다.
    3. 2의 제곱근을 입력 노드의 수로 나눈 스케일링 계수를 사용하여 가중치를 초기화합니다.
  3. 깊이 분리 가능한 컨볼루션을 통한 채널 감소
    1. 3개 차원 모두에서 커널 크기 3을 사용하여 그룹 개수가 입력 채널 차원과 일치하는 깊이별 컨벌루션을 초기화합니다.
    2. 1×1×1 커널 구성으로 점별 컨볼루션을 512차원에서 64차원으로 프로젝션 피처 채널에 적용합니다.
    3. feature concatenation 작업 전에 batch normalization 및 parametric rectified linear unit activation을 실행합니다.
  4. Segmentation, synthesis, and artifact suppression (세분화, 합성, 그리고 아티팩트 억제)
    1. 채널별 연결을 통해 시공간 모델링 출력을 적응형 주의 기능 맵과 융합합니다.
    2. 2mm보다 얇은 영역에 특별히 적용되는 다중 스케일 윤곽 제약 조건을 사용하여 심근 경계 묘사를 향상시킵니다.
    3. 심장 위상 전반에 걸쳐 시간적으로 가중된 기능 안정화를 통해 모션 아티팩트 억제를 구현합니다.
    4. 시그모이드 활성화를 사용하여 1×1×1 컨볼루션 출력 계층을 통해 최종 좌심방 분할을 생성합니다.
      참고: 시각적 검증을 위해 분할 결과는 좌심방 얇은 벽 구조의 해부학적 연속성을 보장하기 위해 원본 이미지 슬라이스에 오버레이된 3D 표면 렌더링(반투명 마스크 오버레이 기술)을 사용하여 표시됩니다. 정량적 평가를 위해 주사위 계수 및 하우스도르프 거리(HD)를 포함한 메트릭이 사용됩니다.

9. 기타 문제 해결 지침

  1. 최적의 심장 위상 캡처를 위해 25-35ms의 시간 분해능을 달성하도록 ECG 게이팅 매개변수를 조정합니다.
  2. 호흡 관련 모션 아티팩트를 최소화하기 위해 5mm 내비게이터 게이팅 창을 사용하여 호흡 보정을 구현합니다.
  3. 적절한 환자 자세를 확인하고 영상 촬영 절차 전반에 걸쳐 명확한 호흡 지침을 제공합니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

결과

200명의 심근염 환자로 구성된 CMR 데이터 세트에서 제안된 프레임워크는 LA 분할에 대해 0.921의 주사위 계수를 달성했으며, 이는 18fps의 처리 속도로 기준 모델보다 12.3% 개선되었음을 나타냅니다. 동적 커널 증류법을 사용하여 높은 수준의 추상적 특징을 낮은 수준의 특징으로 전환함으로써 LA 최소 부피(LAV최소)에 대한 HD는 3.2mm에서 1.7mm(감소: 46.9%)로 최적화되었습니다. 얇은 벽의 LA 구조(두께 <2mm)의 경우 HD는 4.3mm에서 2.1mm로 감소(51.2% 개선)한 반면, 시공간 연속성 오류(프레임 간 변형 필드 일관성을 통해 평가)는 58%(p < 0.01) 감소했습니다.

계산 효율성을 높이기 위해 깊이 측면에서 분리 가능한 3D 컨볼루션이 표준 컨볼루션을 대체하여 모델 매개변수를 1,250만 개에서 320만 개(74.4% 감소)로 압축하고 추론을 22fps로 가속화했습니다. 동적 커널 증류를 통해 높은 ...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

토론

이 연구는 표준화된 CMR 프로토콜과 전용 LA 스캐닝 매개변수를 통해 심근염 환자의 LA 구조 및 기능을 정밀하게 정량화했으며, 3D-FCN을 사용한 효율적인 특징 추출 및 자동화된 신속한 세분화와 결합되었습니다. 최적화된 이미징 파라미터와 알고리즘 혁신 간의 시너지 상호 작용은 임상 번역을 위한 강력한 기술 기반을 구축합니다.

CMR은 심근염의 LA 구조적 및 기능적 이상을 평가하기 위한 초석 도구로 남아 있습니다. 그러나 기존의 기술적 한계로는 불충분한 공간 해상도, 모션 아티팩트로 인한 가변적인 이미지 품질, 표준화된 프로토콜의 부족 등이 있습니다. 공급업체별 소프트웨어 알고리즘 전반에 걸친 균주 참조 값의 불일치는 임상 채택을 더욱 방해합니다. 또한 수동 LA 윤곽 묘사는 시간이 많이 걸리고 관찰자 간 변동성이 발생하기 쉬우며, 불규칙하거나 단축된 심방 형태학의 경우 심각한 오류가 있습니다 21,28,...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

공개 사항

저자는 이해 상충이 없다고 선언합니다.

감사의 글

본 연구는 청두 의과대학 임상과학연구기금 - 청두 의과대학 제2부속병원 및 원자력공사 416병원(2022LHFSZYB-10)의 지원을 받았다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
3.0 T MRI 스캐너Siemens HealthineersSkyra 3.0 T고급 심장 및 신체 영상 기능을 갖춘 고해상도 임상/연구 MRI 시스템.
3D 슬라이서오픈 소스 커뮤니티https://www.slicer.org/의료 영상 분석(분할, 등록, 3D 시각화)을 위한 무료 오픈 소스 소프트웨어입니다. NIH의 지원.
토치메타 플랫폼, Inc.https://pytorch.org/AI 연구 및 모델 배포에 널리 사용되는 동적 계산 그래프를 갖춘 오픈 소스 딥 러닝 프레임워크입니다. GPU 가속을 지원합니다.
파이

참고문헌

  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).

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재인쇄 및 허가

태그

3
동영상 곧 제공
문의하기
사서에게 추천하기

개인정보

이용 약관

정책

저작권 © 2026 MyJoVE Corporation. 모든 권리 보유.