Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.

Методическая статья

Сегментация левого предсердия на сердечно-сосудистых магнитно-резонансных томографиях пациентов с миокардитом

621 просмотров

⸱

DOI:

10.3791/68664

⸱

18 июля 2025 г.

 ,  ,  ,  ,  ,  ,  ,  , 
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

В этой статье

Краткое содержание

Трехмерный полностью сверточный анализ кино, усиленный сетью, позволяет точно оценить функцию левого предсердия при миокардите, улучшить раннее выявление систолической и диастолической дисфункции и уменьшить ошибки прогнозирования фракции выброса для клинической диагностики и мониторинга механической дисфункции предсердий.

Аннотация

Последовательности сердечно-сосудистых магнитно-резонансных томографий (CMR) служат краеугольным камнем метода визуализации для оценки динамической функции левого предсердия (ЛП) у пациентов с миокардитом. Захватывая трехмерные характеристики движения на протяжении всего сердечного цикла с высоким временным разрешением, этот метод предоставляет критически важные данные для анализа сократительной координации миокарда и аномалий движения стенок. Ключевые технологические инновации, такие как динамическое моделирование и деформационная визуализация, позволяют количественно оценить систолическо-диастолическую дисфункцию ЛП на ранних стадиях миокардита. Тем не менее, основные проблемы сегментации последовательностей кино связаны с динамическими артефактами и моделированием пространственно-временной непрерывности тонкостенных структур. Традиционные методы сегментации на основе пороговых значений демонстрируют ограниченную согласованность динамических последовательностей из-за их неспособности улавливать шаблоны движения. Подходы к глубокому обучению с использованием трехмерной полностью сверточной сети (3D-FCN) достигли превосходной точности благодаря трем стратегическим усовершенствованиям: (1) Слияние пространственно-временных признаков: при этом использовались 3D-сверточные ядра для одновременного извлечения пространственных структур и временных размерных особенностей, тем самым уменьшая эффекты размытия движения. (2) Динамические пропускающие соединения: Включенные в архитектуру энкодер-декодер, эти соединения усиливают моделирование корреляции деформаций в различных фазах сердца за счет перекрестного временного распространения особенностей. (3) Облегченная конструкция: За счет использования обработки на основе патчей и разделяемых по глубине сверток вычислительная эффективность была оптимизирована для обработки крупномасштабных четырехмерных наборов данных в режиме реального времени. Коэффициент Dice 3D-FCN составил 0,921 для сегментации LA, что на 12,3% лучше по сравнению с традиционными методами. Такая конструкция снизила ошибку прогнозирования фракции выброса ЛК с 8,7% до 3,2%. Результаты сегментации напрямую облегчили расчет количественных показателей, включая объемно-временные кривые LA и скорости деформации. Эти показатели подтвердили клинический диагноз связанной с миокардитом механической дисфункции предсердий.

Введение

Сердечно-сосудистый магнитно-резонансный томограф (CMR) в качестве основного метода визуализации для оценки динамической функции левого предсердия (ЛП) у пациентов с миокардитом, обеспечивает критически важные данные для выявления аномалий сократительной координации миокарда и ранней диастолической дисфункции, используя их высокое временное разрешение и возможности трехмерного захвата движения 1,2,3,4,5 . Благодаря методам визуализации, кодируемой деформацией, и динамическому моделированию движения, последовательности CMR позволяют точно обнаруживать отек миокарда и фиброз, которые сильно коррелируют с гистопатологическими изменениями и предсказывают серьезные неблагоприятные сердечно-сосудистые события 6,7,8,9. Отслеживание характеристик CMR позволяет количественно оценить деформацию LA, отражая ее функции резервуара, трубопровода и насоса. Повышенное давление в левом предсердии, которое связано с диастолической дисфункцией левого желудочка, может быть косвенно оценено с помощью анализа скорости деформации ЛП с помощью CMR, что дает представление об аномальных паттернах наполнения левого желудочка 8,10,11,12.

При миокардите специфические показатели деформации, такие как пассивная деформация и активная деформация, демонстрируют сильную корреляцию с фиброзом миокарда, что позволяет раннее выявление компенсаторной дисфункции в механике LA 13,14,15,16. Примечательно, что снижение штамма LA часто предшествует структурной дилатации у пациентов с миокардитом, и последовательности CMR cine чувствительно фиксируют эти ранние паттерны ремоделирования, предлагая критическое окно для своевременного клинического вмешательства. Тем не менее, сегментация последовательности кино сталкивается с множеством проблем: тонкостенная структура LA восприимчива к артефактам дыхательных движений, что приводит к ошибкам при расчете фракции выброса, в то время как традиционные методы сегментации на основе пороговых значений систематически завышают минимальный объем LA из-за их неспособности улавливать асимметричные паттерныдеформации 15,17.

В последние годы технология сжатого зондирования позволила сократить время сканирования за счет недостаточной дискретизации в k-пространстве, продемонстрировав высокую корреляцию с золотым стандартом измерений для пассивной эжекционной фракции LA, хотя недооценка общей фракции выброса и активной функции насоса остается неоптимизированной 18,19,20,21. Примечательно, что модели прогнозирования движения сердца, основанные на глубоком обучении, позволили достичь точного динамического функционального моделирования LA в последовательностях свободного дыхания за счет интеграции алгоритмов кодирования фазовых скоростей и адаптивной коррекции движения22,23. Данное исследование направлено на использование алгоритмов глубокого обучения для создания критической основы для клинической диагностики механической дисфункции ЛП, связанной с миокардитом, что позволяет проводить персонализированную стратификацию риска и прогнозировать прогноз для пациентов с миокардитом.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

Комитет по этике Медицинского колледжа Чэнду определил, что это исследование соответствует критериям отказа от информированного согласия. Исследование проводилось в соответствии с принципами, изложенными в Хельсинкской декларации.

1. Отбор пациентов

  1. Используйте следующие критерии включения: пациенты с миокардитом, соответствующие клиническим критериям острого миокардита, включая поствирусные симптомы, повышенные биомаркеры и аномалии электрокардиограммы (ЭКГ).
  2. Исключите пациентов с: ишемическим, клапанным или врожденным пороком сердца; вторичное повреждение миокарда в результате приема лекарств, химиотерапии или инфекций; недиагностическая визуализация; состояния высокого риска (беременность, нарушение функции почек или нестабильность гемодинамики).

2. Протокол визуализации CMR и параметры сканирования

  1. Конфигурация сканера
    1. Работайте с магнитно-резонансным томографом 3,0 Тесла, оснащенным 32-канальной сердечной фазированной антенной решеткой, в течение 14–28 дней после появления симптомов.
    2. Выполните проверку катушки с помощью функции проверки катушки на консоли, а затем выполните процедуру автоматической калибровки.
      ПРИМЕЧАНИЕ: Положение пациента требует ориентации лежа на спине, при этом катушка должна быть центрирована по левой средней подмышечной линии.
  2. Функциональная оценка левого предсердия
    1. Инициируйте сбалансированную визуализацию свободной прецессии в стабильном состоянии с помощью протокола Диспетчера протоколов > пути > Cine_balanced стационарной свободной прецессии (bSSFP).
    2. Настройте стробирование ретроспективной электрокардиограммы с параметром Триггерное окно на 15% для аккомодации аритмии.
    3. Обеспечьте полное покрытие сердечного цикла, запрограммировав временное разрешение 33 мс (30 фаз) с помощью сегментов в 12 k-пространстве.
      ПРИМЕЧАНИЕ: Ключевые параметры включают время повторения/время эха 3,0/1,5 мс, угол поворота 45 °, полосу пропускания 930 Гц/пиксель и матрицу 256×256.
  3. Стандартная регистрация сердечной плоскости
    1. Получение изображений разведчика с помощью последовательности локализаторов в трех плоскостях занимает примерно 18 с.
    2. Назначают четырехкамерное зрение путем выравнивания плоскости визуализации через верхушку левого желудочка и центр митрального клапана по осевому локализатору.
    3. Создайте двухкамерное представление, дублируя четырехкамерный рецепт и применяя вращение на 60° по часовой стрелке.
  4. Реализация параллельной визуализации
    1. Активируйте обобщенную автокалибровку частично параллельного сбора данных с помощью вкладки Acceleration (Ускорение ) консоли с коэффициентом параллельной визуализации 2.
    2. Включите частичную выборку Фурье, установив для параметра Фазовый частичный метод Фурье конфигурацию 6/8 .
    3. Выполнение эталонной калибровки с помощью 24 сигнальных линий автокалибровки, требующих 22 с.
      ПРИМЕЧАНИЕ: Основные параметры сканирования включают TR/TE = 3,0 мс/1,5 мс, угол отражения = 45° и пропускную способность = 930 Гц/пиксель.
  5. Визуализация, специфичная для левого предсердия
    1. Определите анатомические ориентиры, в том числе митральное кольцо в середине диастолы, воронкообразную крышу левого предсердия на расстоянии 15 мм от перегородки и отверстие ушка левого предсердия (LAA), демонстрирующее отчетливую долевую архитектуру.
    2. Выровняйте плоскости по длинной оси перпендикулярно четырехкамерному изображению, охватывающему от отверстий легочной вены до кончика придатка левого предсердия.
      ПРИМЕЧАНИЕ: Три основных анатомических ориентира определяют локализацию плоскости CMR: митральное кольцо, требующее среднедиастолической визуализации обеих створок, воронкообразная крыша LA с центром в 15 мм от перегородки в устье правой верхней легочной вены, и отверстие LAA, демонстрирующее четкую долевую архитектуру с четкими границами от левой верхней легочной вены.
  6. Захват стека по короткой оси
    1. Назначайте смежные срезы с короткой осью, параллельные плоскости митрального кольца, используя диастолическое двухкамерное наведение.
    2. Сконфигурируйте геометрию среза толщиной 3 мм, всего 15 срезов, охватывающих от начала легочной вены до верхушки левого желудочка.
  7. Визуализация с высоким разрешением
    1. Используйте масштабированную сбалансированную стационарную последовательность свободной прецессии с разрешением 0,8×0,8×2,5 мм и шириной полосы пропускания 1200 Гц/пиксель.
    2. Расположите полосу диастолического насыщения над оттоком ушка левого предсердия через 50 мс после R-зубца толщиной 10 мм.
  8. Управление дыхательными движениями
    1. Разверните стробирование навигатора, активировав функцию слежения за диафрагмой на правом куполе гемидиадиафрагмы с окном приемки 5 мм.
    2. Минимизируйте продолжительность задержки дыхания за счет возможности реконструкции сжатого зондирования с коэффициентом ускорения 4,0 и реализации последовательностей свободной прецессии в стационарном режиме в режиме реального времени.
      ПРИМЕЧАНИЕ: Для обеспечения безопасности пациентов данное исследование строго соблюдалось в соответствии с позиционным документом Общества магнитно-резонансной томографии сердечно-сосудистых заболеваний (2020 г.) о клинических показаниях к проведению магнитно-резонансной томографии сердечно-сосудистой системы24.

3. Предварительная обработка данных и контроль качества

  1. Используйте нежесткую регистрацию B-сплайна для устранения смещения, вызванного дыханием и аритмией (максимальный допуск ± 4 мм) для коррекции движения.
  2. Используйте коррекцию поля смещения N4 и согласование гистограмм для стандартизации интенсивности сканеров и гомогенизации сигнала.
  3. Выполните аннотации золотого стандарта двумя экспертами-радиологами (>5 лет опыта) в 3D Slicer в соответствии с руководством25.
    ПРИМЕЧАНИЕ: Системные требования, этапы установки, основные функциональные модули и рабочий процесс основаны на официальном руководстве26.
  4. Разрешите тонкие стенки LA (<2 мм) с помощью пороговых значений 50% градиента в оттенках серого. Соглашение между наблюдателями по аннотациям превысило ICC > 0,91 и Dice > 0,95, что обеспечивает надежную наземную достоверность для обучения и валидации модели.
    ПРИМЕЧАНИЕ: Все данные проходят обратимую анонимизацию, которая защищает конфиденциальность за счет состязательных возмущений и видимых водяных знаков, а также позволяет санкционировать расшифровку и восстановление. Временно хранящиеся данные шифруются со строгим контролем доступа и криптографически стираются при уничтожении27.

4. Технология слияния пространственно-временных признаков

  1. Используйте подход глубокого обучения на основе полностью сверточной 3D-сети (3D-FCN) для повышения точности сегментации левого предсердия на всех этапах сердца.
  2. Интегрируйте модули пространственно-временной пирамиды признаков, включающие скорости расширения 1, 2, 4 и 8 в архитектуру 3D-FCN для захвата паттернов движения миокарда в различных масштабах разрешения.
    ПРИМЕЧАНИЕ: Для извлечения признаков используются пять каскадов энкодера с размерами канала [32, 64, 128, 256, 512], которые постепенно увеличиваются с каждой операцией понижения дискретизации.

5. Сетевая архитектура

  1. Многомасштабное пространственно-временное моделирование
    1. Развертывание иерархических 3D-сверточных ядер (размер ядра 3 × 3 × 3, шаг 1 × 1 × 1, скорость расширения 2) с тремя разрешениями (16 × 16 × 16, 32 × 32 × 32, 64 × 64 × 64).
    2. Захват межмасштабных пространственно-временных корреляций, охватывающих локальное движение волокон и глобальное сокращение желудочков.
  2. Входная конфигурация
    1. Используйте тензорный 4D вход (каналы × время × высота × ширина = 4 × 30 × 256 × 256), охватывающий полный сердечный цикл.
    2. Включает четырехкамерные и двухкамерные кинопоследовательности с 30 кадрами за цикл с временным разрешением 33 мс.

6. Динамическое подключение пропуска

ПРИМЕЧАНИЕ: Межцикловое динамическое соединение пропуска спроектировано с адаптивным распределением веса для учета временных характеристик последовательностей кино.

  1. Кодировщик
    1. Проектирование пятиуровневых 3D-блоков (каждый из которых содержит четыре 3 × 3 × 3 свертки, с увеличением количества каналов с 64 до 512) для извлечения пространственно-временных особенностей.
    2. Динамическое подавление артефактов дыхательных движений и шума кровотока путем вычисления пространственно-временных матриц весов в пространственно-временных воротах внимания.
    3. Извлечение многомасштабных пространственно-временных признаков с выходными тензорными размерностями [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 кадров/цикл) в пятислойной пирамиде.
  2. Дешифратор
    1. Объедините высокоуровневые семантические признаки (разрешение 64 × 64 × 64) с низкоуровневыми признаками (16 × 16 × 16) с помощью 3D-транспонированной свертки (размер ядра 2 × 2 × 2, шаг 2) для кросс-масштабного слияния признаков.
    2. Обеспечение синхронизированного пространственно-временного уточнения при временной интерполяции (кубическая сплайн-интерполяция, временной коэффициент 0,5).
    3. Устанавливайте временные зависимости в двунаправленных стробируемых рекуррентных модулях единиц, используя как прямые, так и обратные скрытые состояния для захвата долгосрочных контекстуальных шаблонов и устранения проблем с исчезающим градиентом с помощью механизмов стробирования.
    4. Динамическое объединение элементов из соседних 5 кадров в свертке временного выравнивания (размер ядра 3 × 3 × 3, шаг 1 × 1 × 1, скорость расширения 2).

7. Адаптивная стратегия распределения веса

  1. Настройте пути обработки с двумя ветвями в пространственно-временном модуле шлюзования внимания для динамической балансировки пространственного и временного вклада объектов во время работы сети.
  2. Вычислите матрицы пространственных весов для 3 × 3 деформируемых извилин, подчеркивая границы миокарда (тонкостенные структуры LA <2 мм) и компенсируя артефакты дыхательных движений в ветви пространственного внимания.
  3. Приоритизация критических корреляций фаз сердца путем создания временных весовых коэффициентов на основе метрик деформации тканей, полученных из векторов смещения миокарда.

8. Стабилизация остаточного пути

  1. Случайным образом пропускайте временно пропущенные соединения во время обучения, чтобы повысить надежность и предотвратить взрыв градиента и сворачивание функций.
  2. Ограничение весовых матриц для стабилизации распространения признаков.
    1. Примените регуляризацию L2 с коэффициентом ноль целых ноль целых один для ограничения обновлений матрицы весов.
    2. Ограничьте максимальное значение градиента веса одной целой с нуля для обрезки.
    3. Инициализируйте веса с помощью коэффициента масштабирования квадратного корня из двух, разделенного на количество входных узлов.
  3. Редукция каналов с разделяемой по глубине сверткой
    1. Инициализируйте свертку по глубине, используя размер ядра 3 во всех трех измерениях с числом групп, соответствующим размерности входного канала.
    2. Применение точечной свертки с конфигурацией ядра 1×1×1 для проецирования векторных каналов от 512 до 64 измерений.
    3. Выполнение пакетной нормализации и активации параметрических выпрямленных линейных единиц перед операциями конкатенации элементов.
  4. Сегментация, синтез и подавление артефактов
    1. Объедините результаты пространственно-временного моделирования с картами функций адаптивного внимания с помощью конкатенации по каналам.
    2. Улучшите определение границ миокарда с помощью многомасштабных контурных ограничений, применяемых специально для областей толще 2 мм.
    3. Реализуйте подавление артефактов движения с помощью взвешенной по времени стабилизации характеристик на этапах сердца.
    4. Генерация окончательной сегментации левого предсердия с помощью 1×1×1 сверточного выходного слоя с активацией сигмовидной кишки.
      ПРИМЕЧАНИЕ: Для визуальной валидации результаты сегментации отображаются с помощью 3D-рендеринга поверхности, наложенного на исходные срезы изображения (техника наложения полупрозрачной маски) для обеспечения анатомической непрерывности тонкостенных структур левого предсердия. Для количественной оценки используются метрики, включая коэффициент Дайса и расстояние Хаусдорфа (HD).

9. Другие рекомендации по устранению неполадок

  1. Отрегулируйте параметры стробирования ЭКГ для достижения временного разрешения 25–35 мс для оптимального захвата фазы сердца.
  2. Реализуйте компенсацию дыхания с помощью 5-миллиметровых навигационных окно, чтобы свести к минимуму артефакты движения, связанные с дыханием.
  3. Обеспечьте правильное положение пациента и предоставьте четкие инструкции по дыханию на протяжении всей процедуры визуализации.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

На наборе данных CMR, включающем 200 пациентов с миокардитом, предложенная структура достигла коэффициента Dice 0,921 для сегментации LA, что представляет собой улучшение на 12,3% по сравнению с базовыми моделями, со скоростью обработки 18 кадров в секунду (fps). Используя динамическую дистилляцию ядра для переноса высокоуровневых абстрактных признаков в низкоуровневые, минимальный объем HD для LA (LAV min) был оптимизирован с 3,2 мм до 1,7 мм (уменьшение: 46,9%). Для тонкостенных структур LA (толщина <2 мм...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

В этом исследовании была достигнута точная количественная оценка структуры и функции ЛП у пациентов с миокардитом с помощью стандартизированных протоколов CMR и специальных параметров сканирования ЛП в сочетании с эффективным выделением признаков и автоматизированной быстрой сегментацией с использованием 3D-FCN. Синергетическое взаимодействие между оптимизированными параметрами визуализации и алгоритмическими инновациями создает надежную техническую основу для клинического перевода.

...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

Авторы заявляют об отсутствии конфликта интересов.

Благодарности

Это исследование было поддержано Фондом клинических научных исследований Медицинского колледжа Чэнду - Второй аффилированной больницей Медицинского колледжа Чэнду и больницей Nuclear Corportation 416 (2022LHFSZYB-10).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
МРТ-сканер 3,0 ТлSiemens HealthineersSkyra 3.0 TКлиническая/исследовательская МРТ-система высокого разрешения с расширенными возможностями визуализации сердца и тела.
3D SlicerOpen source communityhttps://www.slicer.org/Бесплатное программное обеспечение с открытым исходным кодом для анализа медицинских изображений (сегментация, регистрация, 3D-визуализация). При поддержке NIH.
PyTorchMeta Platforms, Inc.https://pytorch.org/Платформа глубокого обучения с открытым исходным кодом и динамическими вычислительными графами, широко используемая для исследований ИИ и развертывания моделей. Поддерживает ускорение на GPU.

Ссылки

  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).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Теги

Видео скоро будет доступно
Свяжитесь с нами
Рекомендовать библиотеке

Конфиденциальность

Условия эксплуатации

Политика

Авторские права © 2026 MyJoVE Corporation. Все права защищены.