基于U-Net神经网络的肥厚型心肌病与高血压性左心室肥厚磁共振图像定量分析与鉴别

目的探讨基于U-Net神经网络的肥厚型心肌病(hypertrophic cardiomyopathy,HCM)与高血压性左心室肥厚(hypertensive left ventricular hypertrophy,HLVH)的磁共振图像定量分析与鉴别。材料与方法回顾性分析2017年国际医学图像计算和计算机辅助干预协会(Medical Image Computing and Computer Assisted Intervention Society,MICCAI)一项心脏疾病自动诊断挑战项目中包含的100例心脏疾病患者以及2014年7月至2019年3月上海交通大学医学院附属仁济医院确诊的45例HCM与48例HLVH患者。MICCAI数据集作为训练集和验证集,随机挑选5例HCM病例和5例HLVH病例作为测试集,得到一个基于U-Net的心脏自动分割神经网络。对所有入组的HCM与HLVH患者的心脏磁共振图像进行自动分割并提取多项量化参数,采用独立t检验比较各项量化参数在HCM组与HLVH组间的差异,采用多因素logistic回归法对有统计学差异的变量进一步分析建模,使用4折交叉验证方法结合ROC法对模型的分类性能进行验证。结果55项量化参数中有13项在HCM组与HLVH组之间存在显著性差异,有3项指标对两者的鉴别分类具有显著性影响。4折交叉验证得到的ROC曲线下面积分别为0.939、0.984、0.972和0.963,其中最佳模型对应的测试集准确率为86.96%(20/23)。结论U-Net神经网络分割心脏磁共振影像可以提供更多量化信息,有助于鉴别肥厚型心肌病与高血压性左心室肥厚。

基于三维卷积神经网络的颈部TOF MRA图像的血管自动分割

目的提出一种基于三维卷积神经网络(convolutional neural network,CNN)的分割模型,通过设计网络结构和调整参数,实现对颈部时间飞跃法磁共振血管造影(time of flight magnetic resonance angiography,TOF MRA)图像的自动精准血管分割。方法三维颈部TOF MRA图像数据来源于一项无症状老年人心脑血管病发病风险研究中的166例受试者。首先由有血管影像临床经验的放射诊断医生运用Mimics软件对颈部动脉血管进行手动标注,再按照8∶1∶1的比例将数据随机分为训练集(132例)、验证集(17例)和测试集(17例)。针对TOF MRA图像稀疏性和高对比度的特点,采用3D CNN的优化模型,通过在U-Net网络的编码和解码路径中多层级的加入专门的模块和不同分辨率的原始图像,更好地学习和利用到图像的独有特征。为研究输入图像的大小对网络性能的影响,从原始图像中分别裁剪出3种不同尺寸大小的三维切块来进行模型训练。在十折交叉验证下,采用Dice系数的平均值和标准差,以及灵敏度和特异度对模型的分割性能进行评价。采用单因素方差分析对比3种切块尺寸下的测试实验。结果所提出的新模型取得了最高的分割Dice值(0.9320)、灵敏度(0.9186)和特异度(0.9996),以及最小的Dice值标准差(0.0051)。ANOVA显著性水平为P<0.01,表明了不同切块尺寸下的模型分割结果有显著性差异,尺寸增大,模型分割结果更好。结论所提出的基于3D CNN的优化模型在TOF MRA图像血管自动精准分割上优于已有方法。此外,增加模型输入图像的尺寸大小有助于提高分割性能。