Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.

Yöntem makalesi

Miyokarditli Hastaların Kardiyovasküler Manyetik Rezonans Görüntülerinde Sol Atrium Segmentasyonu

621 görüntüleme

⸱

DOI:

10.3791/68664

⸱

18 Temmuz 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

Bu makalede

Özet

Üç boyutlu tamamen evrişimli ağ ile geliştirilmiş sine analizi, miyokarditte hassas sol atriyal fonksiyon değerlendirmesini mümkün kılar, erken sistolik-diyastolik disfonksiyon tespitini iyileştirir ve atriyal mekanik disfonksiyonun klinik tanısı ve izlenmesi için ejeksiyon fraksiyonu tahmin hatalarını azaltır.

Özet

Kardiyovasküler manyetik rezonans (CMR) sine dizileri, miyokardit hastalarında dinamik sol atriyal (LA) fonksiyonu değerlendirmek için temel görüntüleme tekniği olarak hizmet eder. Bu modalite, kardiyak döngü boyunca yüksek zamansal çözünürlükle üç boyutlu hareket özelliklerini yakalayarak, miyokardiyal kasılma koordinasyonu ve duvar hareketi anormalliklerini analiz etmek için kritik veriler sağlar. Dinamik modelleme ve suş kodlu görüntüleme gibi önemli teknolojik yenilikler, miyokarditte erken evre LA sistolik-diyastolik disfonksiyonunun kantitatif değerlendirmesini mümkün kılar. Bununla birlikte, sine dizisi segmentasyonundaki birincil zorluklar, dinamik artefaktları ve ince duvarlı yapıların uzay-zamansal süreklilik modellemesini içerir. Geleneksel eşik tabanlı segmentasyon yöntemleri, hareket kalıplarını yakalayamamaları nedeniyle dinamik dizilerde sınırlı tutarlılık gösterir. Üç boyutlu tam evrişimli ağ (3D-FCN) kullanan derin öğrenme yaklaşımları, üç stratejik geliştirme yoluyla üstün doğruluk elde etti: (1) Uzay-zamansal özellik füzyonu: Bu, uzamsal yapıları ve zamansal boyutsal özellikleri aynı anda çıkarmak için 3B evrişimli çekirdekler kullandı, böylece hareket bulanıklaştırma etkilerini azalttı. (2) Dinamik atlama bağlantıları: Kodlayıcı-kod çözücü mimarilerine dahil edilen bu bağlantılar, zamanlar arası özellik yayılımı yoluyla farklı kardiyak fazlar arasında deformasyon korelasyon modellemesini güçlendirdi. (3) Hafif tasarım: Yama bazında işleme ve derinlemesine ayrılabilir evrişimler kullanılarak, büyük ölçekli dört boyutlu veri kümelerinin gerçek zamanlı işlenmesi için hesaplama verimliliği optimize edildi. 3D-FCN, LA segmentasyonu için 0.921'lik bir Zar katsayısı elde etti ve bu da geleneksel yöntemlere göre %12.3'lük bir iyileşmeyi temsil etti. Bu tasarım, LA ejeksiyon fraksiyonu tahmin hatasını %8,7'den %3,2'ye düşürdü. Segmentasyon sonuçları, LA hacim-zaman eğrileri ve gerinim oranları dahil olmak üzere nicel metriklerin hesaplanmasını doğrudan kolaylaştırdı. Bu ölçümler miyokardit ile ilişkili atriyal mekanik disfonksiyonun klinik tanısını destekledi.

Giriş

Miyokardit hastalarında dinamik sol atriyal (LA) fonksiyonu değerlendirmek için temel görüntüleme yöntemi olan kardiyovasküler manyetik rezonans (CMR) sine sekansları, yüksek zamansal çözünürlük ve üç boyutlu hareket yakalama yeteneklerinden yararlanarak miyokardiyal kasılma koordinasyonu ve erken diyastolik disfonksiyondaki anormallikleri tanımlamak için kritik veriler sağlar 1,2,3,4,5 . Gerinim kodlu görüntüleme ve dinamik hareket modelleme teknikleri sayesinde, CMR sine dizileri, histopatolojik değişikliklerle güçlü bir şekilde ilişkili olan ve majör advers kardiyovasküler olayları öngören miyokardiyal ödem ve fibrozisin hassas bir şekilde saptanmasını sağlar 6,7,8,9. CMR özellik izleme, rezervuar, kanal ve pompa fonksiyonlarını yansıtan LA suşunun kantitatif değerlendirmesini sağlar. Sol ventrikül diyastolik disfonksiyonu ile ilişkili yüksek sol atriyal basınç, CMR aracılığıyla LA gerilme oranı analizi yoluyla dolaylı olarak değerlendirilebilir ve anormal sol ventrikül dolum paternleri hakkında bilgi sağlar 8,10,11,12.

Miyokarditte, pasif gerinim ve aktif gerinim gibi spesifik gerinim metrikleri, miyokardiyal fibroz ile güçlü korelasyonlar sergileyerek LA mekaniğinde telafi edici disfonksiyonun erken saptanmasına olanak tanır 13,14,15,16. Özellikle, LA suşundaki azalmalar genellikle miyokardit hastalarında yapısal genişlemeden önce gelir ve CMR sine dizileri, bu erken yeniden şekillenme modellerini hassas bir şekilde yakalar ve zamanında klinik müdahale için kritik bir pencere sunar. Bununla birlikte, sine dizisi segmentasyonu birden fazla zorlukla karşı karşıyadır: ince duvarlı LA yapısı, solunum hareketi artefaktlarına karşı hassastır ve bu da ejeksiyon fraksiyonu hesaplamasında hatalara yol açarken, geleneksel eşik tabanlı segmentasyon yöntemleri, asimetrik deformasyon modellerini yakalayamamaları nedeniyle LA minimum hacmini sistematik olarak fazla tahmin eder 15,17.

Son yıllarda, sıkıştırılmış algılama teknolojisi, k-uzayı yetersiz örnekleme yoluyla tarama süresini azaltmış, LA pasif ejeksiyon fraksiyonu için altın standart ölçümlerle yüksek korelasyon göstermiştir, ancak toplam ejeksiyon fraksiyonu ve aktif pompa fonksiyonunun hafife alınması optimize edilmeye devam etmektedir 18,19,20,21. Özellikle, derin öğrenme güdümlü kardiyak hareket tahmin modelleri, faz hızı kodlaması ve uyarlanabilir hareket düzeltme algoritmalarını entegre ederek serbest solunum dizilerinde doğru dinamik LA fonksiyonel modellemesi elde etmiştir 22,23. Bu çalışma, miyokardit ile ilişkili LA mekanik disfonksiyonunun klinik tanısı için kritik bir temel oluşturmak için derin öğrenme algoritmalarını kullanmayı ve miyokardit hastaları için kişiselleştirilmiş risk sınıflandırması ve prognostik tahmin sağlamayı amaçlamaktadır.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

Chengdu Tıp Fakültesi Etik Kurulu, bu çalışmanın bilgilendirilmiş onamdan feragat etme kriterlerini karşıladığını belirledi. Araştırma, Helsinki Bildirgesi'nde belirtilen ilkelere bağlı kalmıştır.

1. Hasta seçimi

  1. Aşağıdaki dahil etme kriterlerini kullanın: post-viral semptomlar, yüksek biyobelirteçler ve elektrokardiyogram (EKG) anormallikleri dahil olmak üzere akut miyokardit için klinik kriterleri karşılayan miyokarditli hastalar.
  2. Aşağıdaki hastaları hariç tutun: iskemik, kapak veya konjenital kalp hastalığı; ilaçlar, kemoterapi veya enfeksiyonlardan kaynaklanan ikincil miyokard hasarı; tanısal olmayan görüntüleme; yüksek riskli durumlar (hamilelik, böbrek fonksiyon bozukluğu veya hemodinamik instabilite).

2. CMR görüntüleme protokolü ve tarama parametreleri

  1. Tarayıcı yapılandırması
    1. Semptom başlangıcından sonraki 14-28 gün içinde 3.0 kanallı kardiyak faz dizili bobin ile donatılmış bir 32 Tesla manyetik rezonans görüntüleme tarayıcısını çalıştırın.
    2. Konsolun Bobin Kontrolü işlevini kullanarak bobin doğrulamasını gerçekleştirin ve ardından bir otomatik kalibrasyon rutini izleyin.
      NOT: Hasta pozisyonu, bobin sol orta aksiller çizgide ortalanmış olarak sırtüstü oryantasyon gerektirir.
  2. Sol atriyal fonksiyonel değerlendirme
    1. Kardiyak > Cine_balanced kararlı durum serbest presesyon (bSSFP) yolu > Protokol Yöneticisi aracılığıyla dengeli kararlı durum serbest presesyon cine görüntülemeyi başlatın.
    2. Aritmi konaklaması için Tetik Penceresi parametresi %15'e ayarlanmış olarak geriye dönük elektrokardiyogram geçitini yapılandırın.
    3. 12 k-boşluk segmenti aracılığıyla 33 ms zamansal çözünürlüğü (30 faz) programlayarak tam kardiyak döngü kapsamı elde edin.
      NOT: Anahtar parametreler arasında tekrarlama süresi/yankı süresi 3.0/1.5 ms, çevirme açısı 45 °, bant genişliği 930 Hz/piksel ve matris 256×256 bulunur.
  3. Standart kardiyak düzlem edinimi
    1. Yaklaşık 18 saniye süren üç düzlemli bir yerelleştirici dizisi kullanarak keşif görüntüleri elde edin.
    2. Görüntüleme düzlemini aksiyel lokalizatör üzerinde sol ventrikül apeksi ve mitral kapak merkezi boyunca hizalayarak dört odacıklı görünümü reçete edin.
    3. Dört odacıklı reçeteyi çoğaltarak ve saat yönünde 60° döndürme uygulayarak iki odacıklı bir görünüm oluşturun.
  4. Paralel görüntüleme uygulaması
    1. Paralel görüntüleme faktörü 2 ile konsolun Hızlandırma sekmesini kullanarak genelleştirilmiş otomatik kalibrasyonu kısmen paralel alımı etkinleştirin.
    2. Faz Kısmi Fourier'i 6/8 yapılandırmasına ayarlayarak kısmi Fourier örneklemesini etkinleştirin.
    3. 22 sn gerektiren 24 otomatik kalibrasyon sinyal hattı ile referans kalibrasyonu gerçekleştirin.
      NOT: Anahtar tarama parametreleri arasında TR/TE = 3,0 ms/1,5 ms, çevirme açısı = 45° ve bant genişliği = 930 Hz/piksel bulunur.
  5. Sol atriyuma özgü görüntüleme
    1. Orta diyastoldeki mitral anulus, septumdan 15 mm uzaklıktaki huni şeklindeki sol atriyal çatı ve farklı lober mimariyi gösteren sol atriyal apendiks (LAA) deliği dahil olmak üzere anatomik işaretleri tanımlayın.
    2. Uzun eksen düzlemlerini, pulmoner ven deliklerinden sol atriyal apendiks ucuna kadar uzanan dört odacıklı görünüme dik olarak hizalayın.
      NOT: CMR düzlemi lokalizasyonuna üç temel anatomik işaret rehberlik eder: her iki yaprakçığın orta diyastolik görselleştirmesini gerektiren mitral anulus, sağ superior pulmoner ven ostiumunda septumdan 15 mm ortalanmış huni şeklindeki LA çatısı ve sol superior pulmoner venden belirgin sınırları olan net lober mimariyi gösteren LAA deliği.
  6. Kısa eksenli yığın alımı
    1. Diyastolik iki odacıklı görünüm kılavuzluğunu kullanarak mitral anulus düzlemine paralel bitişik kısa eksenli dilimler reçete edin.
    2. Pulmoner ven orijinlerinden sol ventrikül apeksine kadar toplam 15 dilim kapsayan 3 mm kalınlığında dilim geometrisini yapılandırın.
  7. Yüksek çözünürlüklü görüntüleme
    1. 1200 Hz/piksel bant genişliği ile 0,8×0,8×2,5 mm çözünürlüğe ulaşan yakınlaştırılmış dengeli, kararlı durum serbest presesyon dizisi kullanın.
    2. Diyastolik doygunluk bandını 10 mm kalınlık kullanarak R dalgası sonrası 50 ms'de sol atriyal apendiks çıkışının üzerine yerleştirin.
  8. Solunumsal hareket kontrolü
    1. 5 mm'lik bir kabul penceresi ile sağ yarım diyafram kubbesinde diyafram izleme işlevini etkinleştirerek navigatör kapısını kullanın.
    2. 4.0 hızlanma faktöründe sıkıştırılmış algılama rekonstrüksiyonunu etkinleştirerek ve gerçek zamanlı kararlı durum serbest presesyon dizileri uygulayarak nefes tutma süresini en aza indirin.
      NOT: Hasta güvenliğini sağlamak için bu çalışma, kardiyovasküler manyetik rezonans için klinik endikasyonlara ilişkin Kardiyovasküler Manyetik Rezonans Derneği (SCMR) pozisyon belgesine (2020) sıkı sıkıya bağlı kalmıştır24.

3. Veri ön işleme ve kalite kontrol

  1. Hareket düzeltmesi için solunum ve aritmiye bağlı yanlış hizalamayı (maksimum tolerans ± 4 mm) ele almak için rijit olmayan B-spline kaydını kullanın.
  2. Sinyal homojenizasyonu için tarayıcılar arasında yoğunluğu standart hale getirmek için N4 sapma alanı düzeltmesi ve histogram eşleştirme kullanın.
  3. İki uzman radyolog (>5 yıllık deneyim) tarafından 3D Slicer'da kılavuz25'e göre altın standart ek açıklamalar gerçekleştirin.
    NOT: Sistem gereksinimleri, kurulum adımları, temel işlevsel modüller ve iş akışı resmi kılavuzadayanmaktadır 26.
  4. İnce LA duvarlarını (<2 mm) %50 gri tonlamalı gradyan eşikleri kullanarak çözün. Ek açıklamalar için gözlemciler arası anlaşma, ICC > 0.91'i ve Dice > 0.95'i aştı ve model eğitimi ve doğrulaması için sağlam bir temel gerçeği sağladı.
    NOT: Tüm veriler, yetkili şifre çözme ve geri yüklemeye izin verirken, düşmanca bozulmalar ve görünür filigranlar yoluyla gizliliği koruyan tersine çevrilebilir anonimleştirmeye tabi tutulur. Geçici olarak depolanan veriler sıkı erişim kontrolleriyle şifrelenir ve imha edildikten sonra kriptografik olarak silinir27.

4. Uzay-zamansal özellik füzyon teknolojisi

  1. Tüm kardiyak fazlarda sol atriyal segmentasyon doğruluğunu artırmak için 3B tamamen evrişimli bir ağa (3D-FCN) dayalı bir derin öğrenme yaklaşımı kullanın.
  2. Birden fazla çözünürlük ölçeğinde miyokardiyal hareket modellerini yakalamak için 3D-FCN mimarisinde 1, 2, 4 ve 8 genişleme oranlarını içeren uzay-zamansal özellik piramit modüllerini entegre edin.
    NOT: Özellik çıkarma, her altörnekleme işleminde kademeli olarak artan kanal boyutları [32, 64, 128, 256, 512] olan beş kodlayıcı aşaması kullanır.

5. Ağ mimarisi

  1. Çok ölçekli uzay-zamansal modelleme
    1. Hiyerarşik 3B evrişimli çekirdekleri (çekirdek boyutu 3 × 3 ×, adım 1 × 1 × 1, genişletme hızı 2) üç çözünürlükte (16 × 16 × 16, 32 × 32 × 32, 64 × 64 × 64) dağıtın.
    2. Yerel lif hareketinden küresel ventriküler kasılmaya kadar uzanan ölçekler arası uzay-zamansal korelasyonları yakalayın.
  2. Giriş yapılandırması
    1. Tam bir kardiyak döngüyü kapsayan bir 4D tensör girişi (kanallar × zaman × yükseklik × genişlik = 4 × 30 × 256 × 256) kullanın.
    2. 33 ms zamansal çözünürlükte döngü başına 30 kare ile dört odacıklı ve iki odacıklı sinema dizilerini dahil edin.

6. Dinamik atlama bağlantısı

NOT: Döngüler arası dinamik atlama bağlantısı, sinema dizilerinin zamansal özelliklerini ele almak için uyarlanabilir ağırlık tahsisi ile tasarlanmıştır.

  1. Kodlayıcı
    1. Uzay-zamansal özellikleri çıkarmak için beş seviyeli 3B artık bloklar (her biri dört adet 3 × 3 × 3 evrişim içeren, kanal sayısı 64'ten 512'ye genişleyen) tasarlayın.
    2. Uzay-zamansal bir dikkat kapısında uzay-zamansal ağırlık matrislerini hesaplayarak solunum hareketi artefaktlarını ve kan akışı gürültüsünü dinamik olarak bastırın.
    3. Beş katmanlı piramitte [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 kare/döngü) ile çok ölçekli uzay-zamansal özellikleri çıkarın.
  2. Kod çözücü
    1. Ölçekler arası özellik füzyonu için 3B devrik evrişim (çekirdek boyutu 2 × 2 × 2, adım 2) aracılığıyla üst düzey anlamsal özellikleri (64 × 64 × 64 çözünürlük) düşük seviyeli çözünürlük özellikleriyle (16 × 16 × 16) birleştirin.
    2. Zamansal enterpolasyonda senkronize uzay-zamansal iyileştirmeyi sağlayın (kübik spline enterpolasyonu, zamansal faktör 0.5).
    3. Geçit mekanizmaları aracılığıyla kaybolan gradyan sorunlarını azaltırken uzun vadeli bağlamsal kalıpları yakalamak için hem ileri hem de geri gizli durumlardan yararlanarak çift yönlü kapılı tekrarlayan birim modüllerinde zamansal bağımlılıklar oluşturun.
    4. Zamansal hizalama evrişiminde bitişik 5 çerçeveden özellikleri dinamik olarak birleştirin (çekirdek boyutu 3 × 3 ×, adım 1 × 1 × 1, genişleme hızı 2).

7. Uyarlanabilir ağırlık tahsis stratejisi

  1. Ağ işlemleri sırasında uzamsal ve zamansal özellik katkılarını dinamik olarak dengelemek için uzamsal-zamansal dikkat geçitleme modülü içinde çift dallı işleme yollarını yapılandırın.
  2. 3 × 3 deforme olabilen evrişim için uzamsal ağırlık matrislerini hesaplayın, miyokardiyal sınırları vurgulayın (ince duvarlı LA yapıları <2 mm) ve uzamsal dikkat dalındaki solunum hareketi artefaktlarını telafi edin.
  3. Miyokardiyal yer değiştirme vektörlerinden türetilen doku deformasyon metriklerine dayalı olarak zamansal ağırlıklandırma katsayıları oluşturarak kritik kardiyak faz korelasyonlarına öncelik verin.

8. Artık yol stabilizasyonu

  1. Degrade patlamasını ve özellik çökmesini önlemek için sağlamlığı artırmak için eğitim sırasında geçici olarak bırakılan bağlantıları rastgele atlayın.
  2. Özellik yayılımını stabilize etmek için ağırlık matrislerini sınırlayın.
    1. Ağırlık matrisi güncellemelerini sınırlamak için sıfır nokta sıfır bir katsayısı ile L2 düzenlemesini uygulayın.
    2. Kırpma için maksimum ağırlık gradyanı değerini bir nokta sıfır ile sınırlayın.
    3. İkinin karekökünün giriş düğümlerinin sayısına bölünmesiyle elde edilen bir ölçeklendirme faktörünü kullanarak ağırlıkları başlatın.
  3. Derinlemesine ayrılabilir evrişim ile kanal küçültme
    1. Giriş kanalı boyutuyla eşleşen grup sayısıyla her üç boyutta da çekirdek boyutu 3'ü kullanarak derinliksel evrişimi başlatın.
    2. 512 ila 64 boyut arasındaki proje özellik kanallarına 1×1×1 çekirdek yapılandırması ile noktasal evrişim uygulayın.
    3. Özellik birleştirme işlemlerinden önce toplu normalleştirme ve parametrik doğrultulmuş doğrusal birim aktivasyonu gerçekleştirin.
  4. Segmentasyon sentezi ve artefakt bastırma
    1. Uzay-zamansal modelleme çıktısını, kanal bazında birleştirme yoluyla uyarlanabilir dikkat özelliği haritalarıyla birleştirin.
    2. Özellikle 2 mm'den daha ince bölgelere uygulanan çok ölçekli kontur kısıtlamalarını kullanarak miyokardiyal sınır tanımlamasını geliştirin.
    3. Kardiyak fazlar boyunca zamansal ağırlıklı özellik stabilizasyonu yoluyla hareket artefaktı bastırma uygulayın.
    4. Sigmoid aktivasyonu ile 1×1×1 evrişimli çıkış katmanı aracılığıyla son sol atriyal segmentasyon oluşturun.
      NOT: Görsel doğrulama için, segmentasyon sonuçları, sol atriyal ince duvar yapılarının anatomik sürekliliğini sağlamak için orijinal görüntü dilimleri üzerine bindirilmiş 3D yüzey oluşturma (yarı saydam maske kaplama tekniği) kullanılarak görüntülenir. Kantitatif değerlendirme için, Zar katsayısı ve Hausdorff mesafesi (HD) dahil olmak üzere metrikler kullanılır.

9. Diğer sorun giderme kılavuzu

  1. Optimum kardiyak faz yakalama için 25-35 ms zamansal çözünürlük elde etmek için EKG geçit parametrelerini ayarlayın.
  2. Solunumla ilgili hareket artefaktlarını en aza indirmek için 5 mm navigatör geçit pencereleri kullanarak solunum telafisi uygulayın.
  3. Hastanın uygun şekilde konumlandırıldığından emin olun ve görüntüleme prosedürü boyunca net nefes alma talimatları verin.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

200 miyokardit hastasından oluşan bir CMR veri setinde, önerilen çerçeve, saniyede 18 kare (fps) işlem hızı ile temel modellere göre ,3'lük bir iyileşmeyi temsil eden LA segmentasyonu için 0,921'lik bir Zar katsayısı elde etti. Yüksek seviyeli soyut özellikleri düşük seviyeli özelliklere aktarmak için dinamik çekirdek damıtma kullanılarak, LA minimum hacmi için HD (LAVmin) 3,2 mm'den 1,7 mm'ye optimize edildi (azalma: F,9). İnce duvarlı LA yapıları için (kalınlık <2 mm), HD 4,3 mm'den 2,1 mm'ye (Q,2 iyileşm...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

Bu çalışma, standartlaştırılmış CMR protokolleri ve özel LA tarama parametreleri aracılığıyla miyokardit hastalarında LA yapısının ve fonksiyonunun hassas bir şekilde ölçülmesini sağladı ve 3D-FCN kullanarak verimli özellik ekstraksiyonu ve otomatik hızlı segmentasyon ile birleştirildi. Optimize edilmiş görüntüleme parametreleri ve algoritmik yenilikler arasındaki sinerjik etkileşim, klinik çeviri için sağlam bir teknik temel oluşturur.

CMR, miyokarditte LA ya...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

Yazarlar herhangi bir çıkar çatışması olmadığını beyan ederler.

Teşekkürler

Bu çalışma, Chengdu Tıp Fakültesi - Chengdu Tıp Fakültesi'nin İkinci Bağlı Hastanesi ve Nükleer Koordinasyon 416 Hastanesi (2022LHFSZYB-10) Klinik Bilimsel Araştırma Fonu tarafından desteklenmiştir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
3.0 T MRI tarayıcıSiemens HealthineersSkyra 3.0 TGelişmiş kardiyak ve vücut görüntüleme özelliklerine sahip yüksek çözünürlüklü klinik/araştırma MRI sistemi.
3D SlicerAçık kaynak topluluğuhttps://www.slicer.org/Tıbbi görüntü analizi için ücretsiz, açık kaynaklı yazılım (segmentasyon, kayıt, 3D görselleştirme). NIH tarafından desteklenmektedir.
PyTorchMeta Platformları, Inc.https://pytorch.org/Yapay zeka araştırması ve model dağıtımı için yaygın olarak kullanılan dinamik hesaplama grafiklerine sahip açık kaynaklı derin öğrenme çerçevesi. GPU hızlandırmayı destekler.

Kaynaklar

  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).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Etiketler

Sol Atriyum SegmentasyonuMiyokardit HastalarSine SekanslarDerin renme SegmentasyonuUzay Zaman zellik F zyonuBoyutlu Konvol syonDinamik Atlama Ba lant larAtriyal Mekanik DisfonksiyonLA Hacim E rileri
Video yakında
Bize ulaşın
Kütüphaneye tavsiye et

Gizlilik

Kullanım Şartları

İlkeler

Telif hakkı © 2026 MyJoVE Corporation. Tüm hakları saklıdır.