Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł metodologiczny

Segmentacja lewego przedsionka w obrazach sercowo-naczyniowego rezonansu magnetycznego pacjentów z zapaleniem mięśnia sercowego

621 wyświetleń

⸱

DOI:

10.3791/68664

⸱

18 lipca 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

W tym artykule

Podsumowanie

Trójwymiarowa, w pełni konwolucyjna, wspomagana sieciowo analiza cine umożliwia precyzyjną ocenę funkcji lewego przedsionka w zapaleniu mięśnia sercowego, poprawiając wczesne wykrywanie dysfunkcji skurczowo-rozkurczowej i zmniejszając błędy przewidywania frakcji wyrzutowej dla diagnozy klinicznej i monitorowania mechanicznej dysfunkcji przedsionków.

Streszczenie

Sekwencje filmowe rezonansu magnetycznego układu sercowo-naczyniowego (CMR) służą jako podstawowa technika obrazowania do oceny dynamicznej funkcji lewego przedsionka (LA) u pacjentów z zapaleniem mięśnia sercowego. Rejestrując trójwymiarową charakterystykę ruchu w całym cyklu pracy serca z wysoką rozdzielczością czasową, modalność ta dostarcza krytycznych danych do analizy koordynacji skurczowej mięśnia sercowego i nieprawidłowości ruchu ściany. Kluczowe innowacje technologiczne, takie jak modelowanie dynamiczne i obrazowanie kodowane odkształceniem, umożliwiają ilościową ocenę wczesnego stadium dysfunkcji skurczowo-rozkurczowej LA w zapaleniu mięśnia sercowego. Jednak główne wyzwania związane z segmentacją sekwencji cine obejmują dynamiczne artefakty i modelowanie ciągłości czasoprzestrzennej struktur cienkościennych. Tradycyjne metody segmentacji oparte na progach wykazują ograniczoną spójność sekwencji dynamicznych ze względu na ich niezdolność do uchwycenia wzorców ruchu. Podejścia do głębokiego uczenia wykorzystujące trójwymiarową, w pełni konwolucyjną sieć (3D-FCN) osiągnęły najwyższą dokładność dzięki trzem strategicznym ulepszeniom: (1) Fuzja cech czasoprzestrzennych: Wykorzystano w niej jądra konwolucyjne 3D do jednoczesnego wyodrębniania struktur przestrzennych i czasowych cech wymiarowych, zmniejszając w ten sposób efekty rozmycia ruchu. (2) Dynamiczne połączenia pomijania: Połączenia te, włączone w architekturę kodera-dekodera, wzmocniły modelowanie korelacji deformacji w różnych fazach serca poprzez propagację cech międzyczasowych. (3) Lekka konstrukcja: Dzięki wykorzystaniu przetwarzania łatek i konwolucji rozdzielalnych pod względem głębokości, wydajność obliczeniowa została zoptymalizowana pod kątem przetwarzania w czasie rzeczywistym wielkoskalowych czterowymiarowych zestawów danych. 3D-FCN osiągnął współczynnik Dice wynoszący 0,921 dla segmentacji LA, co stanowi poprawę o 12,3% w porównaniu z konwencjonalnymi metodami. Taka konstrukcja zmniejszyła błąd przewidywania frakcji wyrzutowej LA z 8,7% do 3,2%. Wyniki segmentacji bezpośrednio ułatwiły obliczanie wskaźników ilościowych, w tym krzywych objętościowo-czasowych LA i szybkości odkształcania. Wskaźniki te potwierdziły kliniczną diagnozę dysfunkcji mechanicznej przedsionków związanej z zapaleniem mięśnia sercowego.

Wprowadzenie

Sekwencje filmowe rezonansu magnetycznego układu sercowo-naczyniowego (CMR), jako podstawowa metoda obrazowania do oceny dynamicznej funkcji lewego przedsionka (LA) u pacjentów z zapaleniem mięśnia sercowego, dostarczają krytycznych danych do identyfikacji nieprawidłowości w koordynacji skurczowej mięśnia sercowego i wczesnej dysfunkcji rozkurczowej, wykorzystując ich wysoką rozdzielczość czasową i możliwości trójwymiarowego przechwytywania ruchu1,2,3,4,5. Dzięki obrazowaniu kodowanemu odkształceniu i technikom dynamicznego modelowania ruchu, sekwencje CMR cine umożliwiają precyzyjne wykrywanie obrzęku i zwłóknienia mięśnia sercowego, które silnie korelują ze zmianami histopatologicznymi i przewidują poważne niepożądane zdarzenia sercowo-naczyniowe6,7,8,9. Śledzenie cech CMR umożliwia ilościową ocenę szczepu LA, odzwierciedlając jego funkcje zbiornika, przewodu i pompy. Podwyższone ciśnienie w lewym przedsionku, które jest związane z dysfunkcją rozkurczową lewej komory, można pośrednio ocenić za pomocą analizy szybkości odkształcenia LA za pomocą CMR, dostarczając wglądu w nieprawidłowe wzorce wypełnienia lewej komory8,10,11,12.

W zapaleniu mięśnia sercowego, specyficzne wskaźniki szczepu -- takie jak szczep pasywny i szczep aktywny -- wykazują silne korelacje ze zwłóknieniem mięśnia sercowego, co pozwala na wczesne wykrycie dysfunkcji kompensacyjnej w mechanice LA13,14,15,16. Warto zauważyć, że zmniejszenie szczepu LA często poprzedza rozszerzenie strukturalne u pacjentów z zapaleniem mięśnia sercowego, a sekwencje CMR cine z wyczuciem wychwytują te wczesne wzorce przebudowy, oferując krytyczne okno dla szybkiej interwencji klinicznej. Jednak segmentacja sekwencji cine stoi przed wieloma wyzwaniami: cienkościenna struktura LA jest podatna na artefakty ruchu oddechowego, co prowadzi do błędów w obliczeniach frakcji wyrzutowej, podczas gdy tradycyjne metody segmentacji oparte na progach systematycznie przeceniają minimalną objętość LA ze względu na ich niezdolność do uchwycenia asymetrycznych wzorców deformacji15,17.

W ostatnich latach technologia skompresowanego wykrywania skróciła czas skanowania poprzez niedostateczne próbkowanie w przestrzeni k, wykazując wysoką korelację ze złotym standardem pomiarów dla pasywnej frakcji wyrzutowej LA, chociaż niedoszacowanie całkowitej frakcji wyrzutowej i aktywnej funkcji pompy pozostaje do optymalizacji18,19,20,21. Warto zauważyć, że modele przewidywania ruchu serca oparte na głębokim uczeniu osiągnęły dokładne dynamiczne modelowanie funkcjonalne LA w sekwencjach swobodnego oddychania dzięki integracji kodowania prędkości fazowej i adaptacyjnych algorytmów korekcji ruchu22,23. Badanie to ma na celu wykorzystanie algorytmów głębokiego uczenia się w celu stworzenia krytycznej podstawy do diagnozy klinicznej dysfunkcji mechanicznej LA związanej z zapaleniem mięśnia sercowego, umożliwiając spersonalizowaną stratyfikację ryzyka i prognozowanie prognostyczne dla pacjentów z zapaleniem mięśnia sercowego.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

Komisja Etyki Chengdu Medical College ustaliła, że to badanie spełnia kryteria zrzeczenia się świadomej zgody. Badania były zgodne z zasadami określonymi w Deklaracji Helsińskiej.

1. Wybór pacjenta

  1. Należy zastosować następujące kryteria włączenia: pacjenci z zapaleniem mięśnia sercowego spełniający kryteria kliniczne ostrego zapalenia mięśnia sercowego, w tym objawy powirusowe, podwyższone biomarkery i nieprawidłowości w elektrokardiogramie (EKG).
  2. Należy wykluczyć pacjentów z następującymi chorobami: niedokrwienność, zastawka lub wrodzona wada serca; wtórne uszkodzenie mięśnia sercowego spowodowane lekami, chemioterapią lub infekcjami; obrazowanie niediagnostyczne; stany wysokiego ryzyka (ciąża, dysfunkcja nerek lub niestabilność hemodynamiczna).

2. Protokół obrazowania CMR i parametry skanowania

  1. Konfiguracja skanera
    1. Uruchom skaner rezonansu magnetycznego 3,0 Tesli wyposażony w 32-kanałową cewkę fazową serca w ciągu 14-28 dni od wystąpienia objawów.
    2. Wykonaj weryfikację cewki za pomocą funkcji Coil Check konsoli, a następnie wykonaj procedurę automatycznej kalibracji.
      UWAGA: Ułożenie pacjenta wymaga orientacji w pozycji leżącej z cewką wyśrodkowaną na lewej linii środkowej pachy.
  2. Ocena funkcjonalna lewego przedsionka
    1. Zainicjuj zrównoważone obrazowanie cine w stanie ustalonym bez precesji za pomocą Protocol Manager > ścieżki precesji wolnej od precesji w stanie ustalonym (bSSFP) Cardiac > Cine_balanced.
    2. Skonfiguruj retrospektywne bramkowanie elektrokardiogramu z parametrem Trigger Window ustawionym na 15% dla akomodacji arytmii.
    3. Osiągnij pełne pokrycie cyklu pracy serca, programując rozdzielczość czasową 33 ms (30 faz) za pomocą 12 segmentów k-space.
      UWAGA: Kluczowe parametry to czas powtarzania/czas echa 3,0/1,5 ms, kąt odwrócenia 45 °, szerokość pasma 930 Hz/piksel i matryca 256×256.
  3. Standardowa akwizycja płaszczyzny serca
    1. Uzyskanie obrazów zwiadowczych za pomocą trójpłaszczyznowej sekwencji lokalizatora, trwającej około 18 s.
    2. Przepisz widok czterokomorowy, ustawiając płaszczyznę obrazowania przez wierzchołek lewej komory i środek zastawki mitralnej na lokalizatorze osiowym.
    3. Wygeneruj widok dwukomorowy, powielając czterokomorową receptę i obracając o 60° zgodnie z ruchem wskazówek zegara.
  4. Implementacja obrazowania równoległego
    1. Aktywuj uogólnioną autokalibrację, częściowo równoległą akwizycję za pomocą karty Przyspieszenie konsoli ze współczynnikiem obrazowania równoległego 2.
    2. Włącz częściowe próbkowanie Fouriera, ustawiając fazę częściowego Fouriera na konfigurację 6/8.
    3. Wykonaj kalibrację referencyjną za pomocą 24 linii sygnałowych autokalibracji wymagających 22 s.
      UWAGA: Kluczowe parametry skanowania to TR/TE = 3,0 ms/1,5 ms, kąt odwrócenia = 45° i przepustowość = 930 Hz/piksel.
  5. Obrazowanie specyficzne dla lewego przedsionka
    1. Zidentyfikuj anatomiczne punkty orientacyjne, w tym pierścień mitralny w połowie rozkurczu, lejkowaty dach lewego przedsionka 15 mm od przegrody oraz otwór uszka lewego przedsionka (LAA) wykazujący wyraźną architekturę płata.
    2. Wyrównaj płaszczyzny o długiej osi prostopadłej do widoku czterokomorowego rozciągającego się od ujść żyły płucnej do końcówki uszka lewego przedsionka.
      UWAGA: Trzy podstawowe anatomiczne punkty orientacyjne kierują lokalizacją płaszczyzny CMR: pierścień mitralny, wymagający uwidocznienia obu płatków w połowie rozkurczu, lejkowaty dach LA wyśrodkowany 15 mm od przegrody w prawym ujściu żyły płucnej górnej oraz otwór LAA wykazujący wyraźną architekturę płatową z wyraźnymi granicami od lewej górnej żyły płucnej.
  6. Akwizycja stosu o krótkiej osi
    1. Przepisz ciągłe plastry o krótkiej osi równoległe do płaszczyzny pierścienia mitralnego, korzystając z rozkurczowego dwukomorowego wglądu.
    2. Skonfiguruj geometrię plastra o grubości 3 mm, co daje w sumie 15 warstw pokrywających od początku żyły płucnej do wierzchołka lewej komory.
  7. Obrazowanie w wysokiej rozdzielczości
    1. Zastosuj powiększoną, zrównoważoną sekwencję precesji w stanie ustalonym, osiągając rozdzielczość 0,8×0,8×2,5 mm przy szerokości pasma 1200 Hz/piksel.
    2. Umieść rozkurczowe pasmo nasycenia nad odpływem uszka lewego przedsionka w odległości 50 ms po załamie R, używając grubości 10 mm.
  8. Sterowanie ruchem oddechowym
    1. Wdróż bramkowanie nawigatora, aktywując funkcję śledzenia membrany na prawej kopule półmembranowej z oknem akceptacji 5 mm.
    2. Zminimalizuj czas wstrzymania oddechu, umożliwiając skompresowaną rekonstrukcję detekcji ze współczynnikiem przyspieszenia 4,0 i wdrażając sekwencje precesji w czasie rzeczywistym w stanie ustalonym.
      UWAGA: Aby zapewnić bezpieczeństwo pacjenta, badanie to ściśle przestrzegało stanowiska Towarzystwa Rezonansu Magnetycznego Układu Sercowo-Naczyniowego (SCMR) (2020) w sprawie wskazań klinicznych do rezonansu magnetycznego układu sercowo-naczyniowego24.

3. Wstępne przetwarzanie danych i kontrola jakości

  1. Wykorzystaj niesztywną pasację B-splajnu, aby rozwiązać problem niewspółosiowości spowodowanej oddychaniem i arytmią (maksymalna tolerancja ± 4 mm) w celu korekcji ruchu.
  2. Zastosuj korekcję pola odchylenia N4 i dopasowanie histogramu, aby ustandaryzować intensywność w skanerach w celu ujednolicenia sygnału.
  3. Wykonuj adnotacje o złotym standardzie przez dwóch ekspertów radiologów (>5 lat doświadczenia) w 3D Slicer zgodnie z wytycznymi25.
    UWAGA: Wymagania systemowe, kroki instalacji, podstawowe moduły funkcjonalne i przepływ pracy są oparte na oficjalnym przewodniku26.
  4. Cienkie ścianki LA (<2 mm) można rozmywać, stosując 50% progi gradientu w skali szarości. Zgodność między obserwatorami w zakresie adnotacji przekroczyła ICC > 0,91, a Dice > 0,95, zapewniając solidną prawdę podstawową do trenowania i walidacji modelu.
    UWAGA: Wszystkie dane podlegają odwracalnej anonimizacji, która chroni prywatność przed niepożądanymi zakłóceniami i widocznymi znakami wodnymi, jednocześnie umożliwiając autoryzowane odszyfrowanie i przywrócenie. Tymczasowo przechowywane dane są szyfrowane przy użyciu ścisłej kontroli dostępu i są kryptograficznie usuwane po utylizacji27.

4. Technologia fuzji cech czasoprzestrzennych

  1. Zastosuj podejście głębokiego uczenia oparte na w pełni konwolucyjnej sieci 3D (3D-FCN), aby zwiększyć dokładność segmentacji lewego przedsionka we wszystkich fazach serca.
  2. Zintegruj moduły piramidy cech czasoprzestrzennych z szybkością dylatacji 1, 2, 4 i 8 w architekturze 3D-FCN, aby uchwycić wzorce ruchu mięśnia sercowego w wielu skalach rozdzielczości.
    UWAGA: Wyodrębnianie cech wykorzystuje pięć stopni enkodera, których wymiary kanału [32, 64, 128, 256, 512] stopniowo rosną z każdą operacją próbkowania w dół.

5. Architektura sieci

  1. Wieloskalowe modelowanie czasoprzestrzenne
    1. Wdróż hierarchiczne jądra konwolucyjne 3D (rozmiar jądra 3 × 3 × 3, krok 1 × 1 × 1, szybkość dylatacji 2) w trzech rozdzielczościach (16 × 16 × 16, 32 × 32 × 32, 64 × 64 × 64).
    2. Uchwyć międzyskalowe korelacje czasoprzestrzenne obejmujące lokalny ruch włókien z globalnym skurczem komór.
  2. Konfiguracja wejść
    1. Użyj wejścia tensorowego 4D (kanały × czas × wysokość × szerokość = 4 × 30 × 256 × 256) obejmujące pełny cykl pracy serca.
    2. Zawiera czterokomorowe i dwukomorowe sekwencje filmowe z 30 klatkami na cykl w rozdzielczości czasowej 33 ms.

6. Dynamiczne połączenie z pominięciem

UWAGA: Połączenie dynamicznego pomijania między cyklami zostało zaprojektowane z adaptacyjnym przydzielaniem wagi, aby zająć się czasowymi cechami sekwencji filmowych.

  1. koder
    1. Zaprojektuj pięciopoziomowe bloki resztkowe 3D (każdy zawierający cztery 3 × 3 × 3 konwolucje, z liczbą kanałów zwiększającą się z 64 do 512), aby wyodrębnić cechy czasoprzestrzenne
      2. .
    2. Dynamiczne tłumienie artefaktów ruchu oddechowego i szumów przepływu krwi poprzez obliczanie czasoprzestrzennych macierzy wag w czasoprzestrzennej bramie uwagi.
    3. Wyodrębnij wieloskalowe cechy czasoprzestrzenne, z wymiarami tensora wyjściowego [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 klatek/cykl) w pięciowarstwowej piramidzie.
  2. Dekoder
    1. Połącz cechy semantyczne wysokiego poziomu (rozdzielczość 64 × 64 × 64) z funkcjami rozdzielczości niskiego poziomu (16 × 16 × 16) za pomocą konwolucji transponowanej 3D (rozmiar jądra 2 × 2 × 2, krok 2) w celu fuzji funkcji między skalami.
    2. Zapewnij zsynchronizowane udoskonalenie czasoprzestrzenne w interpolacji czasowej (interpolacja splajnu sześciennego, współczynnik czasowy 0,5).
    3. Ustal zależności czasowe w dwukierunkowych bramkowanych modułach jednostek rekurencyjnych, wykorzystując ukryte stany zarówno do przodu, jak i do tyłu, aby uchwycić dalekosiężne wzorce kontekstowe, jednocześnie łagodząc problemy z zanikającym gradientem za pomocą mechanizmów bramkowania.
    4. Dynamicznie łącz cechy z sąsiednich 5 ramek w konwolucji wyrównania czasowego (rozmiar jądra 3 × 3 × 3, krok 1 × 1 × 1, szybkość dylatacji 2).

7. Adaptacyjna strategia alokacji wagi

  1. Skonfiguruj dwugałęziowe ścieżki przetwarzania w module bramkowania uwagi czasowo-przestrzennej, aby dynamicznie równoważyć przestrzenne i czasowe wkłady funkcji podczas operacji sieciowych.
  2. Obliczanie przestrzennych macierzy wag dla 3 × 3 odkształcalnych zwojów, podkreślających granice mięśnia sercowego (cienkościenne struktury LA <2 mm) i kompensujących artefakty ruchu oddechowego w gałęzi uwagi przestrzennej.
  3. Nadaj priorytet krytycznym korelacjom faz serca, generując czasowe współczynniki ważenia na podstawie wskaźników deformacji tkanek pochodzących z wektorów przemieszczenia mięśnia sercowego.

8. Stabilizacja ścieżki resztkowej

  1. Losowo pomijaj tymczasowo zerwane połączenia podczas trenowania, aby zwiększyć niezawodność zapobiegania eksplozji gradientu i zapadaniu się funkcji.
  2. Ogranicz macierze wag, aby ustabilizować propagację elementów.
    1. Zastosuj regularyzację L2 ze współczynnikiem punktu zerowego, zero jeden, aby ograniczyć aktualizacje macierzy wag.
    2. Ogranicz maksymalną wartość gradientu grubości do jednego punktu zerowego dla przycinania.
    3. Zainicjuj wagi przy użyciu współczynnika skalowania pierwiastka kwadratowego z dwóch podzielonego przez liczbę węzłów wejściowych.
  3. Redukcja kanałów z konwolucją rozdzielaną na głębokość
    1. Zainicjuj konwolucję głębokościową przy użyciu rozmiaru jądra 3 we wszystkich trzech wymiarach z liczbą grup pasującą do wymiaru kanału wejściowego.
    2. Zastosuj konwolucję punktową z konfiguracją jądra 1×1×1 do kanałów funkcji projektu od 512 do 64 wymiarów.
    3. Wykonaj normalizację wsadową i parametryczną rektyfikowaną jednostkę liniową przed operacjami łączenia funkcji.
  4. Segmentacja, synteza i tłumienie artefaktów
    1. Połącz dane wyjściowe modelowania czasoprzestrzennego z adaptacyjnymi mapami cech uwagi poprzez konkatenację kanałów.
    2. Lepsze wyznaczanie granic mięśnia sercowego za pomocą wieloskalowych ograniczeń konturowych stosowanych specjalnie dla obszarów cieńszych niż 2 mm.
    3. Zaimplementuj tłumienie artefaktów ruchu poprzez czasowo ważoną stabilizację funkcji we wszystkich fazach serca.
    4. Wygeneruj końcową segmentację lewego przedsionka za pomocą konwolucyjnej warstwy wyjściowej 1×1×1 z aktywacją esicy.
      UWAGA: W celu walidacji wizualnej wyniki segmentacji są wyświetlane przy użyciu renderowania powierzchni 3D nałożonego na oryginalne wycinki obrazu (technika półprzezroczystego nakładania maski) w celu zapewnienia ciągłości anatomicznej struktur cienkościennych lewego przedsionka. Do oceny ilościowej stosuje się takie wskaźniki, jak współczynnik kostki i odległość Hausdorffa (HD).

9. Inne wskazówki dotyczące rozwiązywania problemów

  1. Dostosuj parametry bramkowania EKG, aby osiągnąć rozdzielczość czasową 25-35 ms w celu optymalnego uchwycenia fazy serca.
  2. Zaimplementuj kompensację oddechową za pomocą 5-milimetrowych okien bramkowania nawigatora, aby zminimalizować artefakty ruchu związane z oddychaniem.
  3. Zadbaj o prawidłowe ułożenie pacjenta i zapewnij jasne instrukcje dotyczące oddychania podczas całej procedury obrazowania.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

W zbiorze danych CMR obejmującym 200 pacjentów z zapaleniem mięśnia sercowego proponowana struktura osiągnęła współczynnik Dice wynoszący 0,921 dla segmentacji LA, co stanowi poprawę o 12,3% w stosunku do modeli bazowych, przy prędkości przetwarzania 18 klatek na sekundę (fps). Dzięki zastosowaniu dynamicznej destylacji jądra w celu przeniesienia wysokopoziomowych cech abstrakcyjnych na cechy niskopoziomowe, HD dla minimalnej objętości LA (LAVmin) zoptymalizowano z 3,2 mm do 1,7 mm (redukcja: 46,9%). Dla cienk...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

W badaniu tym udało się uzyskać precyzyjną kwantyfikację struktury i funkcji LA u pacjentów z zapaleniem mięśnia sercowego dzięki standaryzowanym protokołom CMR i dedykowanym parametrom skanowania LA, w połączeniu z wydajną ekstrakcją cech i automatyczną szybką segmentacją przy użyciu 3D-FCN. Synergiczna interakcja między zoptymalizowanymi parametrami obrazowania a innowacjami algorytmicznymi tworzy solidną podstawę techniczną dla tłumaczenia klinicznego.

CMR pozostaje podstawowym narzędziem d...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autorzy oświadczają, że nie występują konflikty interesów.

Podziękowania

To badanie było wspierane przez Fundusz Klinicznych Badań Naukowych Chengdu Medical College - Drugi Szpital Stowarzyszony Chengdu Medical College i Nuclear Corportation 416 Hospital (2022LHFSZYB-10).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Skaner MRI 3,0 TSiemens HealthineersSkyra 3.0 TKliniczny/badawczy system MRI o wysokiej rozdzielczości z zaawansowanymi możliwościami obrazowania serca i ciała.
3D SlicerSpołeczność Open-sourcehttps://www.slicer.org/Darmowe, open-source'owe oprogramowanie do analizy obrazów medycznych (segmentacja, rejestracja, wizualizacja 3D). Wspierane przez NIH.
PyTorchMeta Platforms, Inc.https://pytorch.org/Platforma głębokiego uczenia typu open source z dynamicznymi wykresami obliczeniowymi, szeroko stosowana do badań nad sztuczną inteligencją i wdrażania modeli. Obsługuje akcelerację GPU.

Bibliografia

  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).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Tagi

Segmentacja lewego przedsionkapacjenci z zapaleniem mi nia sercowegosekwencje cinesegmentacja g bokim uczeniemfuzja cech czasoprzestrzennychsplot tr jwymiarowydynamiczne po czenia pomijaj cedysfunkcja mechaniczna przedsionkakrzywe obj to ci LA
Film wkrótce dostępny
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki Korzystania

Zasady

Copyright © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.