MultiFlow: A unified deep learning framework for multi-vessel classification, segmentation and clustering of phase-contrast MRI validated on a multi-site single ventricle patient cohort

要約

この研究では、ヴェロシティエンコード位相コントラスト磁気共鳴画像データの分類とセグメンテーションのための統一されたディープラーニング（DL）フレームワーク、MultiFlowSeg、および流量表現型の時間的クラスタリングのためのMultiFlowDTCを提示します。
Fontan手順患者の力登録に適用されたMultiFlowSegは、Aorta、SVC、およびIVCで100％の分類精度を達成し、LPAおよびRPAで94％を達成しました。
0.91（IQR：0.86-0.93）のサイコロスコアの中央値で堅牢なセグメンテーションを実証しました。
自動化されたパイプラインはレジストリデータを処理し、不十分な画像品質やデキストラカルディアなどの課題にもかかわらず、高いセグメンテーションの成功を達成しました。
一時的なクラスタリングでは、排出率、運動耐性、肝疾患、死亡率など、臨床結果に大きな違いがある5つの異なる患者サブグループが特定されました。
これらの結果は、CHD予後とパーソナライズされたケアを改善するためのDLと時変フローデータを組み合わせる可能性を示しています。

要約(オリジナル)

This study presents a unified deep learning (DL) framework, MultiFlowSeg, for classification and segmentation of velocity-encoded phase-contrast magnetic resonance imaging data, and MultiFlowDTC for temporal clustering of flow phenotypes. Applied to the FORCE registry of Fontan procedure patients, MultiFlowSeg achieved 100% classification accuracy for the aorta, SVC, and IVC, and 94% for the LPA and RPA. It demonstrated robust segmentation with a median Dice score of 0.91 (IQR: 0.86-0.93). The automated pipeline processed registry data, achieving high segmentation success despite challenges like poor image quality and dextrocardia. Temporal clustering identified five distinct patient subgroups, with significant differences in clinical outcomes, including ejection fraction, exercise tolerance, liver disease, and mortality. These results demonstrate the potential of combining DL and time-varying flow data for improved CHD prognosis and personalized care.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google