É necessária uma assinatura do JoVE para visualizar este conteúdo. Faça login ou inicie seu teste gratuito.

Artigo de método

Segmentação do Átrio Esquerdo em Imagens de Ressonância Magnética Cardiovascular de Pacientes com Miocardite

621 vistas

⸱

DOI:

10.3791/68664

⸱

18 de julho de 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

Neste artigo

Resumo

A análise cine tridimensional totalmente convolucional aprimorada pela rede permite uma avaliação precisa da função do átrio esquerdo na miocardite, melhorando a detecção precoce da disfunção sistólica-diastólica e reduzindo os erros de previsão da fração de ejeção para diagnóstico clínico e monitoramento da disfunção mecânica atrial.

Resumo

As sequências cine de ressonância magnética cardiovascular (RMC) servem como técnica de imagem fundamental para avaliar a função dinâmica do átrio esquerdo (AE) em pacientes com miocardite. Ao capturar características de movimento tridimensional ao longo do ciclo cardíaco com alta resolução temporal, essa modalidade fornece dados críticos para analisar a coordenação contrátil miocárdica e as anormalidades do movimento da parede. As principais inovações tecnológicas, como modelagem dinâmica e imagens codificadas por cepa, permitem a avaliação quantitativa da disfunção sistólico-diastólica do AE em estágio inicial na miocardite. No entanto, os principais desafios na segmentação de sequências cine envolvem artefatos dinâmicos e modelagem de continuidade espaço-temporal de estruturas de paredes finas. Os métodos tradicionais de segmentação baseados em limites demonstram consistência limitada em sequências dinâmicas devido à sua incapacidade de capturar padrões de movimento. As abordagens de aprendizado profundo utilizando rede tridimensional totalmente convolucional (3D-FCN) alcançaram precisão superior por meio de três aprimoramentos estratégicos: (1) Fusão de recursos espaço-temporais: empregou núcleos convolucionais 3D para extrair simultaneamente estruturas espaciais e recursos dimensionais temporais, reduzindo assim os efeitos de desfoque de movimento. (2) Conexões dinâmicas de salto: Incorporadas às arquiteturas codificador-decodificador, essas conexões fortaleceram a modelagem de correlação de deformação em diferentes fases cardíacas por meio da propagação de características transtemporais. (3) Design leve: Ao utilizar processamento de patch e convoluções separáveis em profundidade, a eficiência computacional foi otimizada para processamento em tempo real de conjuntos de dados quadridimensionais em larga escala. O 3D-FCN alcançou um coeficiente de Dice de 0,921 para a segmentação LA, representando uma melhoria de 12,3% em relação aos métodos convencionais. Esse delineamento reduziu o erro de predição da fração de ejeção do AE de 8,7% para 3,2%. Os resultados da segmentação facilitaram diretamente o cálculo de métricas quantitativas, incluindo curvas de volume-tempo de LA e taxas de deformação. Essas métricas apoiaram o diagnóstico clínico de disfunção mecânica atrial associada à miocardite.

Introdução

As sequências cine de ressonância magnética cardiovascular (RMC), como a principal modalidade de imagem para avaliar a função dinâmica do átrio esquerdo (AE) em pacientes com miocardite, fornecem dados críticos para identificar anormalidades na coordenação contrátil miocárdica e disfunção diastólica precoce, aproveitando sua alta resolução temporal e capacidade de captura de movimento tridimensional 1,2,3,4,5 . Por meio de técnicas de imagem codificada por tensão e modelagem dinâmica de movimento, as sequências de cine de RMC permitem a detecção precisa de edema e fibrose miocárdica, que se correlacionam fortemente com alterações histopatológicas e predizem eventos cardiovasculares adversos maiores 6,7,8,9. O rastreamento de recursos CMR permite a avaliação quantitativa da tensão LA, refletindo suas funções de reservatório, conduíte e bomba. A pressão elevada do átrio esquerdo, que está associada à disfunção diastólica do ventrículo esquerdo, pode ser avaliada indiretamente por meio da análise da taxa de strain do AE via RMC, fornecendo informações sobre padrões anormais de enchimento do ventrículo esquerdo 8,10,11,12.

Na miocardite, métricas de strain específicos - como strain passivo e strain ativo - exibem fortes correlações com a fibrose miocárdica, permitindo a detecção precoce de disfunção compensatória na mecânica do AE 13,14,15,16. Notavelmente, as reduções na tensão do AE geralmente precedem a dilatação estrutural em pacientes com miocardite, e as sequências de cine de RMC capturam com sensibilidade esses padrões de remodelação precoce, oferecendo uma janela crítica para intervenção clínica oportuna. No entanto, a segmentação da sequência cine enfrenta vários desafios: a estrutura do AE de paredes finas é suscetível a artefatos de movimento respiratório, levando a erros no cálculo da fração de ejeção, enquanto os métodos tradicionais de segmentação baseados em limiar superestimam sistematicamente o volume mínimo do AE devido à sua incapacidade de capturar padrões de deformação assimétricos15,17.

Nos últimos anos, a tecnologia de detecção comprimida reduziu o tempo de varredura por meio de subamostragem no espaço k, demonstrando alta correlação com medições padrão-ouro para fração de ejeção passiva de AE, embora a subestimação da fração de ejeção total e da função da bomba ativa ainda não tenha sido otimizada 18,19,20,21. Notavelmente, os modelos de previsão de movimento cardíaco orientados por aprendizado profundo alcançaram modelagem funcional dinâmica precisa do AE em sequências de respiração livre, integrando codificação de velocidade de fase e algoritmos de correção de movimento adaptativo22,23. Este estudo tem como objetivo usar algoritmos de aprendizado profundo para estabelecer uma base crítica para o diagnóstico clínico da disfunção mecânica do AE associada à miocardite, permitindo estratificação de risco personalizada e previsão prognóstica para pacientes com miocardite.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

O Comitê de Ética da Faculdade de Medicina de Chengdu determinou que este estudo atendeu aos critérios de dispensa do consentimento informado. A pesquisa aderiu aos princípios delineados na Declaração de Helsinque.

1. Seleção de pacientes

  1. Use os seguintes critérios de inclusão: pacientes com miocardite que atendam aos critérios clínicos para miocardite aguda, incluindo sintomas pós-virais, biomarcadores elevados e anormalidades do eletrocardiograma (ECG).
  2. Exclua pacientes com o seguinte: doença cardíaca isquêmica, valvular ou congênita; lesão miocárdica secundária por drogas, quimioterapia ou infecções; imagem não diagnóstica; condições de alto risco (gravidez, disfunção renal ou instabilidade hemodinâmica).

2. Protocolo de imagem CMR e parâmetros de varredura

  1. Configuração do scanner
    1. Opere um scanner de ressonância magnética de 3.0 Tesla equipado com uma bobina phased array cardíaca de 32 canais dentro de 14 a 28 dias após o início dos sintomas.
    2. Execute a verificação da bobina usando a função Coil Check do console, seguida por uma rotina de calibração automática.
      NOTA: O posicionamento do paciente requer orientação supina com a bobina centralizada na linha axilar média esquerda.
  2. Avaliação funcional do átrio esquerdo
    1. Inicie a cine imaging de precessão livre em estado estacionário balanceado por meio do Gerenciador de Protocolos > via de precessão livre em estado estacionário > Cine_balanced cardíaco (bSSFP).
    2. Configure o gating de eletrocardiograma retrospectivo com o parâmetro Trigger Window definido como 15% para acomodação de arritmia.
    3. Obtenha cobertura total do ciclo cardíaco programando a resolução temporal de 33 ms (30 fases) por meio de 12 segmentos do espaço k.
      NOTA: Os principais parâmetros incluem tempo de repetição/tempo de eco 3.0/1.5 ms, ângulo de inversão de 45 °, largura de banda 930 Hz/pixel e matriz 256×256.
  3. Aquisição padrão do plano cardíaco
    1. Obtenha imagens de reconhecimento usando uma sequência de localizadores de três planos, levando aproximadamente 18 s.
    2. Prescreva a visão de quatro câmaras alinhando o plano de imagem através do ápice do ventrículo esquerdo e do centro da válvula mitral no localizador axial.
    3. Gere uma visão de duas câmaras duplicando a prescrição de quatro câmaras e aplicando uma rotação de 60° no sentido horário.
  4. Implementação de imagens paralelas
    1. Ative a aquisição parcialmente paralela de autocalibração generalizada usando a guia Acceleration do console com fator de imagem paralelo 2.
    2. Habilite a amostragem parcial de Fourier definindo a fase parcial de Fourier para uma configuração 6/8 .
    3. Execute a calibração de referência com 24 linhas de sinal de calibração automática que requerem 22 s.
      NOTA: Os principais parâmetros de varredura incluem TR/TE = 3.0 ms/1.5 ms, ângulo de inversão = 45° e largura de banda = 930 Hz/pixel.
  5. Imagem específica do átrio esquerdo
    1. Identifique pontos anatômicos, incluindo o anel mitral no meio da diástole, o teto do átrio esquerdo em forma de funil a 15 mm do septo e o orifício do apêndice atrial esquerdo (AAE) demonstrando arquitetura lobar distinta.
    2. Alinhe o eixo longo planesperpendicular à visão de quatro câmaras, abrangendo desde os orifícios da veia pulmonar até a ponta do apêndice atrial esquerdo.
      NOTA: Três marcos anatômicos essenciais orientam a localização do plano da RMC: o anel mitral, exigindo visualização diastólica média de ambos os folhetos, o teto do AE em forma de funil centrado a 15 mm do septo no óstio da veia pulmonar superior direita e o orifício do AAE demonstrando arquitetura lobar clara com bordas distintas da veia pulmonar superior esquerda.
  6. Aquisição de pilha de eixo curto
    1. Prescreva cortes contíguos de eixo curto paralelos ao plano do anel mitral usando orientação diastólica de duas câmaras.
    2. Configure a geometria do corte com 3 mm de espessura, totalizando 15 cortes cobrindo desde as origens da veia pulmonar até o ápice do ventrículo esquerdo.
  7. Imagens de alta resolução
    1. Empregue uma sequência de precessão livre de estado estacionário balanceada com zoom, atingindo uma resolução de 0,8×0,8×2,5 mm com uma largura de banda de 1200 Hz/pixel.
    2. Posicione a banda de saturação diastólica sobre o fluxo de saída do apêndice atrial esquerdo a 50 ms pós-onda R usando 10 mm de espessura.
  8. Controle do movimento respiratório
    1. Implante o gating do navegador ativando a função de rastreamento do diafragma na cúpula do hemidiafragma direito com uma janela de aceitação de 5 mm.
    2. Minimize a duração da apneia, permitindo a reconstrução de detecção comprimida a um fator de aceleração de 4,0 e implementando sequências de precessão livre em estado estacionário em tempo real.
      NOTA: Para garantir a segurança do paciente, este estudo seguiu rigorosamente o documento de posicionamento da Society for cardiovascular magnetic resonance (SCMR) (2020) sobre indicações clínicas para ressonância magnética cardiovascular24.

3. Pré-processamento de dados e controle de qualidade

  1. Utilize o registro B-spline não rígido para tratar o desalinhamento respiratório e induzido por arritmia (tolerância máxima ± 4 mm) para correção de movimento.
  2. Empregue correção de campo de polarização N4 e correspondência de histograma para padronizar a intensidade entre os scanners para homogeneização do sinal.
  3. Realize anotações padrão-ouro por dois radiologistas especialistas (>5 anos de experiência) no 3D Slicer de acordo com a diretriz25.
    NOTA: Os requisitos do sistema, as etapas de instalação, os módulos funcionais básicos e o fluxo de trabalho são baseados no guia oficial26.
  4. Resolva paredes finas de LA (<2 mm) usando limiares de gradiente de escala de cinza de 50%. A concordância interobservador para anotações excedeu ICC > 0,91 e Dice > 0,95, garantindo uma verdade robusta para treinamento e validação do modelo.
    NOTA: Todos os dados passam por anonimização reversível, que protege a privacidade por meio de perturbações adversárias e marcas d'água visíveis, permitindo a descriptografia e restauração autorizadas. Os dados armazenados temporariamente são criptografados com controles de acesso rígidos e são apagados criptograficamente após o descarte27.

4. Tecnologia de fusão de características espaço-temporais

  1. Empregue uma abordagem de aprendizado profundo baseada em uma rede 3D totalmente convolucional (3D-FCN) para melhorar a precisão da segmentação do átrio esquerdo em todas as fases cardíacas.
  2. Integre módulos de pirâmide de recursos espaço-temporais incorporando taxas de dilatação de 1, 2, 4 e 8 na arquitetura 3D-FCN para capturar padrões de movimento miocárdico em várias escalas de resolução.
    NOTA: A extração de recursos emprega cinco estágios de codificador com dimensões de canal [32, 64, 128, 256, 512] aumentando progressivamente a cada operação de redução de amostragem.

5. Arquitetura de rede

  1. Modelagem espaço-temporal multiescala
    1. Implante kernels convolucionais 3D hierárquicos (tamanho do kernel 3 × 3 × 3, passo 1 × 1 × 1, taxa de dilatação 2) em três resoluções (16 × 16 × 16, 32 × 32 × 32, 64 × 64 × 64).
    2. Capture correlações espaço-temporais em escala cruzada cobrindo o movimento local da fibra até a contração ventricular global.
  2. Configuração de entrada
    1. Use uma entrada tensora 4D (canais × tempo × altura × largura = 4 × 30 × 256 × 256) cobrindo um ciclo cardíaco completo.
    2. Inclua sequências de cinema de quatro e duas câmaras com 30 quadros por ciclo com resolução temporal de 33 ms.

6. Conexão de salto dinâmico

NOTA: Uma conexão de salto dinâmico de ciclo cruzado é projetada com alocação de peso adaptável para abordar as características temporais das sequências de cinema.

  1. Codificador
    1. Projete blocos residuais 3D de cinco níveis (cada um contendo quatro convoluções 3 × 3 × 3, com contagem de canais expandindo de 64 para 512) para extrair recursos espaço-temporais.
    2. Suprima dinamicamente os artefatos de movimento respiratório e o ruído do fluxo sanguíneo calculando matrizes de peso espaço-temporal em uma porta de atenção espaço-temporal.
    3. Extraia características espaço-temporais multiescala, com dimensões tensoriais de saída [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 quadros/ciclo) em pirâmide de cinco camadas.
  2. Decodificador
    1. Combine recursos semânticos de alto nível (resolução de 64 × 64 × 64) com recursos de resolução de baixo nível (16 × 16 × 16) por meio de convolução transposta 3D (tamanho do kernel 2 × 2 × 2, passo 2) para fusão de recursos entre escalas.
    2. Garanta o refinamento espaço-temporal sincronizado na interpolação temporal (interpolação de spline cúbica, fator temporal 0,5).
    3. Estabeleça dependências temporais em módulos de unidade recorrente com restrição bidirecional, aproveitando os estados ocultos para frente e para trás para capturar padrões contextuais de longo alcance enquanto mitiga problemas de gradiente de fuga por meio de mecanismos de gating.
    4. Fundir dinamicamente recursos de 5 quadros adjacentes em convolução de alinhamento temporal (tamanho do kernel 3 × 3 × 3, passada 1 × 1 × 1, taxa de dilatação 2).

7. Estratégia adaptativa de alocação de peso

  1. Configure caminhos de processamento de ramificação dupla dentro do módulo de controle de atenção espaço-temporal para equilibrar dinamicamente as contribuições de recursos espaciais e temporais durante as operações de rede.
  2. Calcule matrizes de peso espacial para 3 × 3 convoluções deformáveis, enfatizando os limites miocárdicos (estruturas de AL de paredes finas <2 mm) e compensando artefatos de movimento respiratório no ramo de atenção espacial.
  3. Priorize as correlações críticas da fase cardíaca, gerando coeficientes de ponderação temporal com base em métricas de deformação tecidual derivadas de vetores de deslocamento miocárdico.

8. Estabilização da via residual

  1. Omita aleatoriamente conexões temporariamente descartadas durante o treinamento para aumentar a robustez e evitar a explosão do gradiente e o colapso do recurso.
  2. Restrinja as matrizes de peso para estabilizar a propagação de recursos.
    1. Aplique a regularização L2 com um coeficiente de zero vírgula zero um para restringir as atualizações da matriz de peso.
    2. Limite o valor máximo do gradiente de peso a um ponto zero para recorte.
    3. Inicialize pesos usando um fator de escala da raiz quadrada de dois dividido pelo número de nós de entrada.
  3. Redução de canal com convolução separável em profundidade
    1. Inicialize a convolução em profundidade usando o tamanho do kernel 3 em todas as três dimensões com a contagem de grupos correspondente à dimensão do canal de entrada.
    2. Aplique a convolução pontual com a configuração de kernel 1×1×1 para projetar canais de recursos de 512 a 64 dimensões.
    3. Execute a normalização em lote e a ativação de unidade linear retificada paramétrica antes das operações de concatenação de recursos.
  4. Segmentação, síntese e supressão de artefatos
    1. Combine a saída de modelagem espaço-temporal com mapas de recursos de atenção adaptativa por meio de concatenação por canal.
    2. Melhorar o delineamento do limite miocárdico usando restrições de contorno multiescala aplicadas especificamente a regiões mais finas que 2 mm.
    3. Implemente a supressão de artefatos de movimento por meio da estabilização de recursos ponderada temporalmente nas fases cardíacas.
    4. Gere a segmentação final do átrio esquerdo por meio da camada de saída convolucional 1×1×1 com ativação sigmóide.
      NOTA: Para validação visual, os resultados da segmentação são exibidos usando renderização de superfície 3D sobreposta às fatias da imagem original (técnica de sobreposição de máscara semitransparente) para garantir a continuidade anatômica das estruturas de parede fina do átrio esquerdo. Para avaliação quantitativa, métricas como coeficiente de Dice e distância de Hausdorff (HD) são empregadas.

9. Outras orientações para solução de problemas

  1. Ajuste os parâmetros de regulação do ECG para atingir uma resolução temporal de 25-35 ms para uma captura ideal da fase cardíaca.
  2. Implemente a compensação respiratória usando janelas de navegação de 5 mm para minimizar artefatos de movimento relacionados à respiração.
  3. Garanta o posicionamento adequado do paciente e forneça instruções claras de respiração durante todo o procedimento de imagem.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

Em um conjunto de dados de RMC composto por 200 pacientes com miocardite, a estrutura proposta alcançou um coeficiente de Dice de 0,921 para segmentação LA, representando uma melhoria de 12,3% em relação aos modelos de linha de base, com uma velocidade de processamento de 18 quadros por segundo (fps). Ao empregar a destilação dinâmica de kernel para transferir características abstratas de alto nível para características de baixo nível, o HD para volume mínimo de LA (LAVmin) foi otimizado de 3,2 mm para 1,7 mm ...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

Este estudo alcançou a quantificação precisa da estrutura e função do AE em pacientes com miocardite por meio de protocolos padronizados de RMC e parâmetros de varredura de AL dedicados, combinados com extração eficiente de recursos e segmentação rápida automatizada usando 3D-FCN. A interação sinérgica entre parâmetros de imagem otimizados e inovações algorítmicas estabelece uma base técnica robusta para a tradução clínica.

A RMC continua sendo a ferramenta fu...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

Os autores declaram não haver conflitos de interesse.

Agradecimentos

Este estudo foi apoiado pelo Fundo de Pesquisa Científica Clínica da Faculdade de Medicina de Chengdu - Segundo Hospital Afiliado da Faculdade de Medicina de Chengdu e Hospital de Transporte Nuclear 416 (2022LHFSZYB-10).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
Scanner de ressonância magnética de 3,0 TSiemens HealthineersSkyra 3,0 TSistema de ressonância magnética clínica/de pesquisa de alta resolução com recursos avançados de imagem cardíaca e corporal.
código aberto3D Slicerhttps://www.slicer.org/Software gratuito e de código aberto para análise de imagens médicas (segmentação, registro, visualização 3D). Apoiado pelo NIH.
PyTorchMeta Platforms, Inc.https://pytorch.org/Estrutura de aprendizado profundo de código aberto com gráficos de computação dinâmicos, amplamente utilizada para pesquisa de IA e implantação de modelos. Suporta aceleração de GPU.
Comunidade de

Referências

  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).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Etiquetas

Segmenta o do trio EsquerdoPacientes com MiocarditeSequ ncias CineSegmenta o por Aprendizado ProfundoFus o de Caracter sticas Espa otemporaisConvolu o TridimensionalConex es de Salto Din micasDisfun o Mec nica AtrialCurvas de Volume do AE
Vídeo em breve
Entre em contato
Recomendar à biblioteca

Privacidade

Termos de uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos os direitos reservados.