电气工程与电子技术学报

用于 cMR 成像中心内膜识别和分割的 U-Net 模型

法伊扎·艾尔金迪 

目的- 使用 U-Net 模型检测和分割左心室内壁，以便从心脏磁共振成像中计算左心室射血分数 (LVEF)。

背景-心脏磁共振成像 (cMR) 通常用于通过定量测量来评估心脏的结构和功能。左心室射血分数 (LVEF) 是 LV 功能最重要的参数之一。它是心血管结果的重要预后指标，临床上用于确定多种治疗干预的适应症。左心室的准确分割是计算 LVEF 的重要步骤。我们中心目前的做法是在原始 cMR 图像中手动选择和描绘左心室内轮廓。这是一个耗时的过程，容易受到用户诱导偏差的影响，从而产生假阳性和假阴性结果。

方法- U-Net 深度学习模型是专门为生物医学分割而开发的，事实证明，使用较少的训练样本即可有效工作。因此，我们采用 U-Net 模型来执行和评估准确的自动左心室检测和分割工具。U-Net 模型已在我们的本地临床数据上进行了训练和评估，该数据包含 4050 张来自 LVEF 正常且心脏解剖结构正常的患者的短轴图像。两名经验丰富的放射科医生进行了手动描绘。使用几个统计参数评估模型的性能，即准确度、精确度、召回率和并集交集 (IoU)。结果 - 使用 810 张图像的测试集，U-Net 模型成功检测到所有患者的 cMR 短轴图像中左心室的存在和缺失。此外，该方法在心内膜的自动检测和分割方面取得了优异的成绩，召回率为 91.86%，精确度为 97.16%，准确度为 99.82%，交并比 (IoU) 为 83.65%。结论 - U-Net 模型在左心室分割方面取得了良好的表现，每次扫描不到一分钟，检测准确度很高。这些发现足以支持对更大规模的患者群体进行全面评估。关键词：MRI、心脏功能、射血分数、人工智能、深度学习、神经网络、U-Net 模型、分割、检测。

局限性： 1.分割由两名放射科医生手动完成。2.样本量有限。伦理委员会批准：是。

本研究资金来源：交通运输、通信和信息技术部资助。