Deep Learning Pipeline for Fully Automated Myocardial Infarct Segmentation from Clinical Cardiac MR Scans

要約

目的：完全に自動化された方法で心筋梗塞セグメンテーションを実行できる深い学習ベースの方法を開発および評価する。
材料と方法：このレトロスペクティブ研究では、2つのおよび3次元畳み込みニューラルネットワーク（CNN）のカスケードフレームワークであり、ガドリニウム後期の強化（LGE）心磁気共鳴（CMR）画像の虚血性心筋瘢痕の特定に特化した画像が、
144の試験で構成される社内トレーニングデータセット。
2021年から2023年に得られた152の試験の画像を含む、同じ機関からの別のテストデータセットでは、人工知能（AI）ベースのセグメンテーションと手動セグメンテーションの定量的比較が実行されました。
さらに、セグメンテーションの精度の定性的評価は、盲検化実験の2人のCMR専門家によって、ヒトとAIの両方の専門家の両方で評価されました。
結果：手動と自動化された梗塞量（$ \ rho_c $ = 0.9）の間に優れた一致が見つかりました。
定性的評価では、人間ベースの測定と比較して、専門家はAIベースのセグメンテーションを評価して、梗塞の実際の範囲をより頻繁に（P <0.001）よりよく表現することを示しました（33.4％AI、25.1％、41.5％等しい）。 それどころか、微小血管閉塞（MVO）のセグメンテーションでは、手動測定がまだ好まれていました（11.3％AI、55.6％、33.1％等しい）。 結論：この完全に自動化されたセグメンテーションパイプラインにより、CMR梗塞サイズを非常に短い時間で計算し、訓練された人間の観察者のセグメンテーション品質を一致させながら入力画像の前処理を必要とせずに計算できます。 盲検化された実験では、専門家は手動セグメンテーションよりも頻繁に自動化された梗塞セグメンテーションを好み、潜在的な臨床応用への道を開いた。

要約(オリジナル)

Purpose: To develop and evaluate a deep learning-based method that allows to perform myocardial infarct segmentation in a fully-automated way. Materials and Methods: For this retrospective study, a cascaded framework of two and three-dimensional convolutional neural networks (CNNs), specialized on identifying ischemic myocardial scars on late gadolinium enhancement (LGE) cardiac magnetic resonance (CMR) images, was trained on an in-house training dataset consisting of 144 examinations. On a separate test dataset from the same institution, including images from 152 examinations obtained between 2021 and 2023, a quantitative comparison between artificial intelligence (AI)-based segmentations and manual segmentations was performed. Further, qualitative assessment of segmentation accuracy was evaluated for both human and AI-generated contours by two CMR experts in a blinded experiment. Results: Excellent agreement could be found between manually and automatically calculated infarct volumes ($\rho_c$ = 0.9). The qualitative evaluation showed that compared to human-based measurements, the experts rated the AI-based segmentations to better represent the actual extent of infarction significantly (p < 0.001) more often (33.4% AI, 25.1% human, 41.5% equal). On the contrary, for segmentation of microvascular obstruction (MVO), manual measurements were still preferred (11.3% AI, 55.6% human, 33.1% equal). Conclusion: This fully-automated segmentation pipeline enables CMR infarct size to be calculated in a very short time and without requiring any pre-processing of the input images while matching the segmentation quality of trained human observers. In a blinded experiment, experts preferred automated infarct segmentations more often than manual segmentations, paving the way for a potential clinical application.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google