Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.

Methodenartikel

Segmentatie van het linker atrium in cardiovasculaire magnetische resonantiebeelden van patiënten met myocarditis

621 weergaven

⸱

DOI:

10.3791/68664

⸱

18 juli 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 dit artikel

Samenvatting

De driedimensionale, volledig convolutionele, netwerkversterkte cine-analyse maakt een nauwkeurige beoordeling van de linker atriumfunctie bij myocarditis mogelijk, waardoor de vroege detectie van systolisch-diastolische disfunctie wordt verbeterd en voorspellingsfouten van de ejectiefractie worden verminderd voor klinische diagnose en monitoring van mechanische disfunctie van het atrium.

Samenvatting

Cardiovasculaire magnetische resonantie (CMR) cine-sequenties dienen als de hoeksteen van de beeldvormingstechniek voor het evalueren van de dynamische functie van het linker atrium (LA) bij patiënten met myocarditis. Door driedimensionale bewegingskenmerken gedurende de hele hartcyclus vast te leggen met een hoge temporele resolutie, levert deze modaliteit kritieke gegevens voor het analyseren van myocardiale contractiele coördinatie en wandbewegingsafwijkingen. Belangrijke technologische innovaties, zoals dynamische modellering en rekgecodeerde beeldvorming, maken een kwantitatieve beoordeling mogelijk van systolisch-diastolische disfunctie van LA in een vroeg stadium bij myocarditis. De belangrijkste uitdagingen bij de segmentatie van cinesequenties hebben echter te maken met dynamische artefacten en spatiotemporele continuïteitsmodellering van dunwandige structuren. Traditionele segmentatiemethoden op basis van drempels vertonen een beperkte consistentie in dynamische sequenties vanwege hun onvermogen om bewegingspatronen vast te leggen. Deep learning-benaderingen die gebruik maken van een driedimensionaal volledig convolutioneel netwerk (3D-FCN) bereikten een superieure nauwkeurigheid door middel van drie strategische verbeteringen: (1) Spatiotemporele functiefusie: Hierbij werden 3D-convolutionele kernen gebruikt om tegelijkertijd ruimtelijke structuren en tijdelijke dimensionale kenmerken te extraheren, waardoor bewegingsvervagingseffecten werden verminderd. (2) Dynamische overslagverbindingen: Deze verbindingen, opgenomen in encoder-decoderarchitecturen, versterkten de modellering van de vervormingscorrelatie over verschillende hartfasen door middel van cross-temporele functievoortplanting. (3) Lichtgewicht ontwerp: Door gebruik te maken van patchgewijze verwerking en dieptegewijze scheidbare convoluties, werd de rekenefficiëntie geoptimaliseerd voor real-time verwerking van grootschalige vierdimensionale datasets. De 3D-FCN behaalde een dobbelsteencoëfficiënt van 0,921 voor LA-segmentatie, wat een verbetering van 12,3% betekent ten opzichte van conventionele methoden. Dit ontwerp verminderde de voorspellingsfout van de LA-ejectiefractie van 8,7% naar 3,2%. De segmentatieresultaten vergemakkelijkten direct de berekening van kwantitatieve metrieken, waaronder LA-volume-tijdcurves en reksnelheden. Deze statistieken ondersteunden de klinische diagnose van myocarditis-geassocieerde atriale mechanische disfunctie.

Inleiding

Cardiovasculaire magnetische resonantie (CMR) cine-sequenties, als de belangrijkste beeldvormingsmodaliteit voor het evalueren van de dynamische linker atriale (LA) functie bij myocarditispatiënten, leveren cruciale gegevens voor het identificeren van afwijkingen in myocardiale contractiele coördinatie en vroege diastolische disfunctie, gebruikmakend van hun hoge temporele resolutie en driedimensionale motion capture-mogelijkheden 1,2,3,4,5 . Door middel van rekgecodeerde beeldvorming en dynamische bewegingsmodelleringstechnieken maken CMR-cinesequenties nauwkeurige detectie mogelijk van myocardiaal oedeem en fibrose, die sterk correleren met histopathologische veranderingen en ernstige nadelige cardiovasculaire gebeurtenissen voorspellen 6,7,8,9. Het volgen van CMR-functies maakt een kwantitatieve beoordeling van LA-stam mogelijk, waarbij de reservoir-, leiding- en pompfuncties worden weerspiegeld. Verhoogde druk in het linker atrium, die gepaard gaat met diastolische disfunctie van het linkerventrikel, kan indirect worden geëvalueerd door middel van LA-stamfrequentieanalyse via CMR, wat inzicht geeft in abnormale vulpatronen van het linkerventrikel 8,10,11,12.

Bij myocarditis vertonen specifieke stammetrieken - zoals passieve spanning en actieve spanning - sterke correlaties met myocardiale fibrose, waardoor vroege detectie van compenserende disfunctie in LA-mechanica mogelijk is 13,14,15,16. Met name verminderingen van de LA-stam gaan vaak vooraf aan structurele dilatatie bij patiënten met myocarditis, en CMR-cinesequenties leggen deze vroege remodelleringspatronen gevoelig vast en bieden een cruciaal venster voor tijdige klinische interventie. Cine-sequentiesegmentatie staat echter voor meerdere uitdagingen: de dunwandige LA-structuur is gevoelig voor artefacten van ademhalingsbewegingen, wat leidt tot fouten in de berekening van de ejectiefractie, terwijl traditionele op drempels gebaseerde segmentatiemethoden het minimale LA-volume systematisch overschatten vanwege hun onvermogen om asymmetrische vervormingspatronen vast te leggen15,17.

In de afgelopen jaren heeft gecomprimeerde detectietechnologie de scantijd verkort via onderbemonstering in de k-ruimte, wat een hoge correlatie aantoont met gouden standaardmetingen voor LA passieve ejectiefractie, hoewel de onderschatting van de totale ejectiefractie en de actieve pompfunctie nog moet worden geoptimaliseerd 18,19,20,21. Met name deep learning-gestuurde voorspellingsmodellen voor cardiale bewegingen hebben nauwkeurige dynamische LA functionele modellering in vrijademende sequenties bereikt door fasesnelheidscodering en adaptieve bewegingscorrectie-algoritmen te integreren22,23. Deze studie heeft tot doel deep learning-algoritmen te gebruiken om een cruciale basis te leggen voor de klinische diagnose van myocarditis-geassocieerde mechanische disfunctie in LA, waardoor gepersonaliseerde risicostratificatie en prognostische voorspelling voor myocarditispatiënten mogelijk wordt.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

De ethische commissie van het Chengdu Medical College heeft vastgesteld dat deze studie voldeed aan de criteria voor het afzien van geïnformeerde toestemming. Het onderzoek hield zich aan de principes die zijn uiteengezet in de Verklaring van Helsinki.

1. Selectie van patiënten

  1. Gebruik de volgende inclusiecriteria: patiënten met myocarditis die voldoen aan de klinische criteria voor acute myocarditis, waaronder postvirale symptomen, verhoogde biomarkers en afwijkingen van het elektrocardiogram (ECG).
  2. Sluit patiënten uit met het volgende: ischemische, valvulaire of aangeboren hartafwijking; secundair myocardletsel door medicijnen, chemotherapie of infecties; niet-diagnostische beeldvorming; risicovolle aandoeningen (zwangerschap, nierdisfunctie of hemodynamische instabiliteit).

2. CMR-beeldvormingsprotocol en scanparameters

  1. Scanner configuratie
    1. Gebruik een 3.0 Tesla magnetische resonantie beeldvormingsscanner uitgerust met een 32-kanaals cardiale phased-array spoel binnen 14-28 dagen na het begin van de symptomen.
    2. Voer spoelverificatie uit met behulp van de Coil Check-functie van de console, gevolgd door een automatische kalibratieroutine.
      OPMERKING: Positionering van de patiënt vereist rugligging met de spoel gecentreerd op de linker midden-oksellijn.
  2. Functionele beoordeling van het linker atriale atrium
    1. Start gebalanceerde steady-state vrije precessiebeeldvorming via Protocol Manager > cardiale > Cine_balanced steady-state vrije precessie (bSSFP)-route.
    2. Configureer retrospectieve elektrocardiogramgating met de parameter Trigger Window ingesteld op 15% voor aritmieaccommodatie.
    3. Bereik een volledige dekking van de hartcyclus door een temporele resolutie van 33 ms (30 fasen) te programmeren via 12 k-ruimtesegmenten.
      OPMERKING: De belangrijkste parameters zijn onder meer herhalingstijd/echotijd 3.0/1.5 ms, fliphoek 45 °, bandbreedte 930 Hz/pixel en matrix 256×256.
  3. Standaard acquisitie van het hartvliegtuig
    1. Verkrijg scout-beelden met behulp van een lokalisatiereeks met drie vlakken, die ongeveer 18 s duurt.
    2. Schrijf een vierkamerbeeld voor door het beeldvormingsvlak uit te lijnen via de linkerventrikelapex en het midden van de mitralisklep op de axiale localisator.
    3. Genereer een weergave met twee kamers door het voorschrift met vier kamers te dupliceren en 60° rotatie met de klok mee toe te passen.
  4. Implementatie van parallelle beeldvorming
    1. Activeer gegeneraliseerde autokalibratie gedeeltelijk parallelle acquisitie met behulp van het tabblad Versnelling van de console met parallelle beeldvormingsfactor 2.
    2. Schakel gedeeltelijke Fourier-sampling in door Phase Partial Fourier in te stellen op een 6/8-configuratie .
    3. Voer referentiekalibratie uit met 24 autokalibratie-signaallijnen die 22 s nodig hebben.
      OPMERKING: De belangrijkste scanparameters zijn TR/TE = 3,0 ms/1,5 ms, fliphoek = 45° en bandbreedte = 930 Hz/pixel.
  5. Linker atriumspecifieke beeldvorming
    1. Identificeer anatomische oriëntatiepunten, waaronder de mitralisannulus in het midden van de diastole, het trechtervormige linker atriumdak op 15 mm van het septum en de opening van het linker atriumaanhangsel (LAA) die een duidelijke lobaire architectuur vertoont.
    2. Lijn de vlakken van de lange as loodrecht op het vierkamerbeeld uit, variërend van de longaderopeningen tot de punt van het linker atriumaanhangsel.
      OPMERKING: Drie essentiële anatomische oriëntatiepunten begeleiden de lokalisatie van het CMR-vlak: de mitralisannulus, waarvoor mid-diastolische visualisatie van beide blaadjes nodig is, het trechtervormige LA-dak gecentreerd op 15 mm van het septum aan de rechter bovenste longader ostium, en de LAA-opening die een duidelijke lobaire architectuur vertoont met duidelijke grenzen vanaf de linker superieure longader.
  6. Acquisitie van korte-asstacks
    1. Schrijf aaneengesloten plakjes met een korte as evenwijdig aan het mitralisannulusvlak voor met behulp van diastolische tweekamergeleiding.
    2. Configureer de plakgeometrie met een dikte van 3 mm, in totaal 15 plakjes die zich uitstrekken van de oorsprong van de longader tot de top van de linkerventrikel.
  7. Beeldvorming met hoge resolutie
    1. Gebruik een ingezoomde, gebalanceerde steady-state vrije precessiesequentie met een resolutie van 0,8×0,8×2,5 mm met een bandbreedte van 1200 Hz/pixel.
    2. Plaats de diastolische verzadigingsband over de uitstroom van het linker atriumaanhangsel op 50 ms na de R-golf met een dikte van 10 mm.
  8. Respiratoire bewegingscontrole
    1. Implementeer navigator gating door de diafragmavolgfunctie op de rechter halfrondmembraankoepel te activeren met een acceptatievenster van 5 mm.
    2. Minimaliseer de duur van het inhouden van de adem door gecomprimeerde detectiereconstructie mogelijk te maken met een versnellingsfactor van 4,0 en real-time steady-state vrije precessiesequenties te implementeren.
      OPMERKING: Om de veiligheid van de patiënt te waarborgen, hield deze studie zich strikt aan het position paper van de Society for cardiovascular magnetic resonance (SCMR) (2020) over klinische indicaties voor cardiovasculaire magnetische resonantie24.

3. Voorverwerking van gegevens en kwaliteitscontrole

  1. Gebruik niet-stijve B-spline-registratie om door respiratoire en aritmie veroorzaakte uitlijningsfouten aan te pakken (maximale tolerantie ± 4 mm) voor bewegingscorrectie.
  2. Gebruik N4-biasveldcorrectie en histogrammatching om de intensiteit van scanners te standaardiseren voor signaalhomogenisatie.
  3. Voer gouden standaard annotaties uit door twee deskundige radiologen (>5 jaar ervaring) in 3D Slicer volgens richtlijn25.
    OPMERKING: Systeemvereisten, installatiestappen, functionele basismodules en workflow zijn gebaseerd op de officiële handleiding26.
  4. Los dunne LA-wanden (<2 mm) op met behulp van gradiëntdrempels met 50% grijstinten. De overeenkomst tussen waarnemers voor annotaties overschreed ICC > 0,91 en Dice > 0,95, wat zorgt voor een robuuste grondwaarheid voor modeltraining en validatie.
    OPMERKING: Alle gegevens worden omkeerbaar geanonimiseerd, waardoor de privacy wordt beschermd door middel van vijandige verstoringen en zichtbare watermerken, terwijl geautoriseerde decodering en herstel mogelijk zijn. Tijdelijk opgeslagen gegevens worden versleuteld met strikte toegangscontroles en worden cryptografisch gewist wanneer ze worden verwijderd27.

4. Spatiotemporele functie fusietechnologie

  1. Gebruik een deep learning-benadering op basis van een 3D volledig convolutioneel netwerk (3D-FCN) om de nauwkeurigheid van de segmentatie van het linker atriale gebied in alle hartfasen te verbeteren.
  2. Integreer spatiotemporele functiepiramidemodules met dilatatiesnelheden van 1, 2, 4 en 8 binnen de 3D-FCN-architectuur om myocardiale bewegingspatronen vast te leggen op meerdere resolutieschalen.
    OPMERKING: Functie-extractie maakt gebruik van vijf encoderfasen met kanaalafmetingen [32, 64, 128, 256, 512] die geleidelijk toenemen bij elke downsampling-bewerking.

5. Netwerkarchitectuur

  1. Spatiotemporele modellering op meerdere schalen
    1. Implementeer hiërarchische 3D-convolutionele kernels (kernelgrootte 3 × 3 × 3, stap 1 × 1 × 1, dilatatiesnelheid 2) met drie resoluties (16 × 16 × 16, 32 × 32 × 32, 64 × 64 × 64).
    2. Leg spatiotemporele correlaties op verschillende schalen vast, van lokale vezelbeweging tot globale ventriculaire contractie.
  2. Invoer configuratie
    1. Gebruik een 4D-tensoringang (kanalen × tijd × hoogte × breedte = 4 × 30 × 256 × 256) die een volledige hartcyclus bestrijkt.
    2. Voeg cine-sequenties met vier en twee kamers toe met 30 frames per cyclus met een temporele resolutie van 33 ms.

6. Dynamische skip-verbinding

OPMERKING: Er is een cross-cycle dynamische skip-verbinding ontworpen met adaptieve gewichtstoewijzing om de temporele kenmerken van cine-sequenties aan te pakken.

  1. Coderingsprogramma
    1. Ontwerp 3D-restblokken met vijf niveaus (elk met vier 3 × 3 × 3 convoluties, met een kanaalaantal dat zich uitbreidt van 64 tot 512) om spatiotemporele kenmerken te extraheren.
    2. Onderdruk dynamisch respiratoire bewegingsartefacten en bloedstroomgeluid door spatiotemporele gewichtsmatrices te berekenen in een spatiotemporele aandachtspoort.
    3. Extraheer spatiotemporele kenmerken op meerdere schalen, met uitvoertensorafmetingen [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 frames/cyclus) in een piramide met vijf lagen.
  2. Decoder
    1. Combineer semantische functies op hoog niveau (64 × 64 × 64 resolutie) met functies met een lage resolutie (16 × 16 × 16) via 3D-getransponeerde convolutie (kernelgrootte 2 × 2 × 2, stap 2) voor functiefusie op verschillende schalen.
    2. Zorg voor gesynchroniseerde spatiotemporele verfijning in temporele interpolatie (kubische spline-interpolatie, temporele factor 0,5).
    3. Vestig temporele afhankelijkheden in bidirectionele gated terugkerende eenheidsmodules door gebruik te maken van zowel voorwaartse als achterwaartse verborgen toestanden om contextuele patronen op lange termijn vast te leggen en tegelijkertijd verdwijnende gradiëntproblemen te verminderen door middel van poortmechanismen.
    4. Combineer dynamisch objecten van aangrenzende 5 frames in convolutie van tijdelijke uitlijning (kernelgrootte 3 × 3 × 3, stap 1 × 1 × 1, dilatatiesnelheid 2).

7. Adaptieve strategie voor gewichtstoewijzing

  1. Configureer verwerkingspaden met dubbele vertakkingen binnen de spatiotemporele aandachtspoortmodule om ruimtelijke en tijdelijke functiebijdragen tijdens netwerkbewerkingen dynamisch in evenwicht te brengen.
  2. Bereken ruimtelijke gewichtsmatrices voor 3 × 3 vervormbare windingen, waarbij myocardiale grenzen worden benadrukt (dunwandige LA-structuren <2 mm) en worden gecompenseerd voor artefacten van ademhalingsbewegingen in de ruimtelijke aandachtstak.
  3. Geef prioriteit aan kritieke hartfasecorrelaties door temporele weegcoëfficiënten te genereren op basis van weefselvervormingsmetrieken die zijn afgeleid van myocardiale verplaatsingsvectoren.

8. Stabilisatie van de resterende route

  1. Laat tijdens de training willekeurig tijdelijk verbroken verbindingen weg om de robuustheid te verbeteren en gradiëntexplosie en instorting van functies te voorkomen.
  2. Beperk gewichtsmatrices om de voortplanting van kenmerken te stabiliseren.
    1. Pas L2-regularisatie toe met een coëfficiënt van nul komma nul één om updates van de gewichtsmatrix te beperken.
    2. Beperk de maximale waarde voor de gewichtsgradiënt tot één punt nul voor het bijsnijden.
    3. Initialiseer gewichten met behulp van een schaalfactor van de vierkantswortel van twee gedeeld door het aantal invoerknooppunten.
  3. Kanaalreductie met in de diepte scheidbare convolutie
    1. Initialiseer de convolutie in de diepte met behulp van kernelgrootte 3 in alle drie de dimensies, waarbij het aantal groepen overeenkomt met de dimensie van het invoerkanaal.
    2. Pas puntsgewijze convolutie toe met 1×1×1 kernelconfiguratie om functiekanalen van 512 tot 64 dimensies te projecteren.
    3. Voer batchnormalisatie en parametrisch gerectificeerde lineaire eenheidsactivering uit vóór aaneenschakeling van functies.
  4. Segmentatiesynthese en onderdrukking van artefacten
    1. Combineer spatiotemporele modelleringsuitvoer met adaptieve aandachtsfunctiekaarten door middel van kanaalgewijze aaneenschakeling.
    2. Verbeter de afbakening van de myocardiale grens met behulp van multischaalcontourbeperkingen die specifiek worden toegepast op gebieden die dunner zijn dan 2 mm.
    3. Implementeer onderdrukking van bewegingsartefacten door middel van tijdelijk gewogen functiestabilisatie over cardiale fasen.
    4. Genereer de laatste segmentatie van het linker atriale kanaal via een 1×1×1 convolutionele uitvoerlaag met sigmoïde activering.
      OPMERKING: Voor visuele validatie worden de segmentatieresultaten weergegeven met behulp van 3D-oppervlakterendering die over originele afbeeldingsplakjes wordt gelegd (semi-transparante maskeroverlay-techniek) om anatomische continuïteit van de dunne wandstructuren van het linker atriale te garanderen. Voor kwantitatieve evaluatie worden statistieken gebruikt, waaronder de dobbelsteencoëfficiënt en de Hausdorff-afstand (HD).

9. Andere richtlijnen voor het oplossen van problemen

  1. Pas de ECG-poortparameters aan om een temporele resolutie van 25-35 ms te bereiken voor een optimale registratie van de hartfase.
  2. Implementeer ademhalingscompensatie met behulp van 5 mm navigator poortvensters om ademhalingsgerelateerde bewegingsartefacten te minimaliseren.
  3. Zorg voor de juiste positionering van de patiënt en geef duidelijke ademhalingsinstructies tijdens de beeldvormingsprocedure.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

Op een CMR-dataset met 200 myocarditispatiënten bereikte het voorgestelde raamwerk een dobbelsteencoëfficiënt van 0,921 voor LA-segmentatie, wat neerkomt op een verbetering van 12,3% ten opzichte van basismodellen, met een verwerkingssnelheid van 18 frames per seconde (fps). Door gebruik te maken van dynamische kerneldestillatie om abstracte kenmerken op hoog niveau over te brengen naar functies op laag niveau, werd het minimale volume van HD voor LA (LAVmin) geoptimaliseerd v...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

Deze studie bereikte een nauwkeurige kwantificering van de LA-structuur en -functie bij patiënten met myocarditis door middel van gestandaardiseerde CMR-protocollen en specifieke LA-scanparameters, gecombineerd met efficiënte functie-extractie en geautomatiseerde snelle segmentatie met behulp van 3D-FCN. De synergetische interactie tussen geoptimaliseerde beeldvormingsparameters en algoritmische innovaties legt een robuuste technische basis voor klinische vertaling.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

De auteurs verklaren dat er geen belangenconflicten zijn.

Dankbetuigingen

Deze studie werd ondersteund door het Clinical Scientific Research Fund van Chengdu Medical College - Second Affiliated Hospital van Chengdu Medical College en Nuclear Corportation 416 Hospital (2022LHFSZYB-10).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
3.0 T MRI scannerSiemens HealthineersSkyra 3.0 THoogwaardig klinisch/onderzoeks MRI-systeem met geavanceerde cardiale en lichaamsbeeldvormingsmogelijkheden.
3D SlicerOpen-source communityhttps://www.slicer.org/Gratis, open-source software voor medische beeldanalyse (segmentatie, registratie, 3D visualisatie). Ondersteund door NIH.
PyTorchMeta Platforms, Inc.https://pytorch.org/Open-source deep learning framework met dynamische berekeningsgrafieken, veel gebruikt voor AI-onderzoek en modelimplementatie. Ondersteunt GPU-versnelling.

Referenties

  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).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Trefwoorden

Segmentatie van het linker atriummyocarditispati ntencine sequentiesdeep learning segmentatiespatiotemporele feature fusiedriedimensionale convolutiedynamische skip verbindingenatriale mechanische dysfunctieLA volumecurves
Video binnenkort beschikbaar
Neem contact met ons op
Aanbevelen aan bibliotheek

Privacy

Gebruiksvoorwaarden

Beleid

Copyright © 2026 MyJoVE Corporation. Alle rechten voorbehouden.