Журнал электротехники и электронных технологий

Модель U-Net для идентификации и сегментации эндокарда в КТ-визуализации

Фаиза Аль Кинди 

Цель — использовать модель U-Net для обнаружения и сегментации внутренней эндокардиальной стенки левого желудочка для расчета фракции выброса левого желудочка (ФВЛЖ) по данным магнитно-резонансной томографии сердца.

Предыстория. Магнитно-резонансная томография сердца (КМРТ) обычно используется для оценки структуры и функции сердца с помощью количественных измерений. Фракция выброса левого желудочка (ФВЛЖ) является одним из важнейших параметров функции ЛЖ. Это важный прогностический показатель сердечно-сосудистых исходов, используемый в клинической практике для определения показаний к нескольким терапевтическим вмешательствам. Точная сегментация левого желудочка является важным шагом для расчета ФВЛЖ. Текущая практика в нашем центре заключается в ручном выборе и очерчивании внутреннего контура левого желудочка на необработанных изображениях КМРТ. Это трудоемкий процесс, подверженный смещению, вызванному пользователем, и, следовательно, ложноположительным и ложноотрицательным результатам.

Метод - Модель глубокого обучения U-Net была разработана специально для биомедицинской сегментации и доказала свою эффективность при меньшем количестве обучающих образцов. Таким образом, мы использовали модель U-Net для выполнения и оценки точного автоматического инструмента обнаружения и сегментации левого желудочка. Модель U-Net была обучена и оценена на наших локальных клинических данных, которые состоят из 4050 изображений по короткой оси от пациентов с нормальной фракцией выброса левого желудочка и нормальными анатомическими структурами сердца. Ручное разграничение было выполнено двумя опытными рентгенологами. Эффективность модели оценивалась с использованием нескольких статистических параметров, а именно: точность, достоверность, отзыв и пересечение по объединению (IoU). Результаты - С тестовым набором из 810 изображений модель U-Net успешно обнаружила наличие и отсутствие левого желудочка на изображениях по короткой оси cMR от всех пациентов. Кроме того, метод достиг высокой производительности в автоматическом обнаружении и сегментации эндокарда с отзывом 91,86%, точностью 97,16%, точностью 99,82% и пересечением по объединению (IoU) 83,65%. Заключение. Модель U-Net достигла хорошей производительности сегментации левого желудочка с высокой точностью обнаружения менее чем за одну минуту для каждого сканирования. Эти результаты достаточно убедительны, чтобы поддержать проведение полной оценки большей популяции пациентов. Ключевые слова: МРТ, сердечная функция, фракция выброса, искусственный интеллект, глубокое обучение, нейронная сеть, модель U-Net, сегментация, обнаружение.

Ограничения: 1. Сегментации проводились вручную двумя рентгенологами. 2. Ограниченный размер выборки. Одобрение этического комитета: Да.

Финансирование данного исследования: Грант Министерства транспорта, связи и информационных технологий.