健康与疾病状态下心血管MR特征追踪心肌应变手动与人工智能定量比较
本研究在136例受试者(60例健康志愿者和76例患者,含46例不同病因左心室肥厚和30例慢性心肌梗死)中比较人工智能轮廓与手动轮廓在心血管MR特征追踪应变分析中的一致性。AI来源应变整体高估径向应变(+1.8±1.7%,p=0.03)、低估周向应变(-0.8±0.8%,p=0.02)和纵向应变(-0.1±0.8%,p=0.54),全局应变成对比较无显著差异。Dice相似系数在健康志愿者短轴为85.3±10.3%、患者短轴为80.8±9.6%,但27例(27/76,35.5%)出现追踪错误,主要见于左心室肥厚组(24/27,88.9%)和乳头肌插入部侧壁节段。
要点
- AI分割应变在健康志愿者和多数患者组结果良好,但肥厚心室仍是轮廓勾画与特征追踪的难点。
- 追踪错误27/76例(35.5%),以左心室肥厚组为主(24/27,88.9%),多位于乳头肌插入部侧壁节段(22/27,81.5%)。
- 对比剂后采集图像AI与手动应变均降低,分割重叠度也低于对比剂前,报告时应注明采集条件。
核心结论
- 基于AI分割图像的特征追踪应变分析在健康志愿者和多数患者组中结果良好,但肥厚心室仍是轮廓勾画与特征追踪的挑战。
研究设计与样本
- 研究纳入136例受试者,含60例健康志愿者和76例患者,患者中46例为不同病因左心室肥厚、30例为慢性心肌梗死。
- 于1.5-T(MAGNETOM Avanto-FIT)或3-T(MAGNETOM Verio)扫描仪采集稳态自由进动电影图像,包括3个长轴切面(2腔、3腔、4腔)和覆盖整个左心室的短轴层叠。
- 手动分割使用circle CVI42 5.14.7软件在舒张末期勾画心内外膜轮廓,AI分割采用同一软件中基于深度卷积神经网络模型、以UK Biobank及病理数据集训练的算法。
- 以特征追踪算法计算周向、径向和纵向应变,按美国心脏协会17节段模型(不含心尖节段)比较全局与节段应变,并以Dice相似系数和豪斯多夫距离在轮廓水平进行比较。
关键影像表现/征象
- 健康志愿者全局应变手动测值为GCS -16.2±2.2%、GRS 25.5±4.9%、GLS -17.5±1.8%,AI测值为GCS -16.7±2.2%、GRS 26.6±5.0%、GLS -17.3±1.7%。
- 健康志愿者中最高CS和LS及最低RS位于AHA第11或12节段(乳头肌插入部),手动与AI两种方法均如此。
- 全局检验显示GCS(p=0.03)、GRS(p=0.03)及RS的AHA第5(p=0.045)、10(p=0.04)、11(p=0.002)、12(p=0.03)节段存在显著差异,但按特定队列成对比较时GCS、GRS及RS第12节段无显著差异。
- 亚组分析中主动脉瓣狭窄与肥厚型心肌病的RS第5节段(p=0.01和p=0.03)、第10节段(p=0.01和p=0.02)、第11节段(p=0.02和p=0.01)AI与手动应变值存在统计学显著差异。
- 对比剂后采集图像GRS和GCS均较对比剂前降低,手动分割GRS对比剂前25.7±6.9% vs 对比剂后20.1±7.8%(p<0.001),GCS对比剂前-15.0±3.0 vs 对比剂后-13.3±4.2(p<0.001),AI分割GRS对比剂前28.2±6.8% vs 对比剂后21.4±8.1%(p<0.001),GCS对比剂前-17.1±2.8 vs 对比剂后-13.0±4.3(p<0.001)。
诊断标准与关键数值
- AI与手动测值差异:整体队列AI高估径向应变+1.8±1.7%(p=0.03),低估周向应变-0.8±0.8%(p=0.02),纵向应变-0.1±0.8%(p=0.54)。
- Dice相似系数:健康志愿者短轴85.3±10.3%、2腔85.8±2.9%、3腔83.1±5.1%、4腔84.1±4.1%;患者短轴80.8±9.6%、2腔85.1±4.6%、3腔85.9±6.7%、4腔85.5±4.4%。
- 插入点角度差异:健康志愿者平均5.1±10.9°(相对值差异1.4±3.0%),患者平均4.4±9.4°(1.2±2.6%);各病因中慢性心肌梗死伴局灶纤维化组最高为8.3±7.7°(2.3±2.1%)。
- 追踪错误定义:网格覆盖或心肌点未跟随轮廓范围;27/76例(35.5%)出现追踪错误,其中左心室肥厚组24/27(88.9%),慢性心肌梗死伴室壁运动异常组3/76。
- 对比剂前后短轴分割指标:Dice对比剂前83.6±9.3% vs 对比剂后80.5±14.3%,豪斯多夫距离对比剂前3.3±1.4 mm vs 对比剂后3.6±1.7 mm。
临床应用与阅片要点
- AI分割可用于特征追踪应变的流程化与标准化,但肥厚心室(尤其主动脉瓣狭窄和肥厚型心肌病)的轮廓勾画与追踪仍需人工核查。
- 乳头肌插入部侧壁节段(AHA第5、10、11、12节段)是追踪错误好发部位,AI测值在这些节段与手动测值可能出现显著差异。
- 对比剂后采集的电影图像应变值低于对比剂前,且分割重叠度下降,解读时应结合采集条件。
- AI自动设置的参考点需人工逐一验证以保证节段应变值的可比性;可见左心室流出道的层面AI以开放轮廓分割,不纳入应变分析。
局限性
- 原文指出肥厚心室仍是轮廓勾画与特征追踪的挑战。
- 原文指出需要进一步研究(Further studies employing this approach, potentially in clinical routine scenarios, are needed)以验证该方法在真实临床场景中的可行性。
- 原文指出插入点角度差异对AHA节段的影响尚待进一步研究(ought to be investigated further)。
全文中译16 节 · 点击展开
引言
心肌应变可对心肌变形进行定量测量。使用心血管磁共振(CMR)的应变分析可通过组织标记或直接在标准电影图像上进行特征追踪(FT)获得。虽然CMR组织标记已被验证并进一步发展出多种不同技术(例如(快速)应变编码磁共振成像(SENC)或刺激回波位移编码(DENSE))[1–4],但其仍存在需要特殊序列和扫描时间的缺点。与此相反,FT是一种有前景的工具,因为它允许从临床常规中通常采集的标准电影图像评估纵向、周向和径向方向上的节段和整体应变(分别为LS、CS、RS、GLS、GCS和GRS)[5]。应用CMR进行左心室(LV)应变分析已被应用于广泛的临床疾病,从化疗引起的心脏毒性[6, 7]到缺血性心脏病[8–10],甚至非缺血性心脏病如肥厚型心肌病(HCM)[11, 12]或急性心肌炎病例[13, 14]。尽管其用途广泛且能够在功能保留状态下检测心肌变化,FT仍缺乏关于方法学流程的标准化和共识。在一项先前的研究中,分析了不同因素,如所使用的后处理软件、层面选择以及2D或3D分析,这些均有可能影响应变值[15]。此外,还必须考虑耗时的手动勾画过程以及读者的专业水平和培训程度,这些也会影响应变评估[16]。减少手动衍生轮廓影响的一种潜在方法是使用人工智能(AI)衍生的轮廓。基于AI的分割和应变评估此前已在大型队列中使用市售软件[17]以及非市售软件[18]进行了应用和验证。这些进展可能进一步简化应变评估,并有助于在临床常规和“大数据”研究中就特征追踪的标准化方法达成共识。
本研究旨在评估和比较手动与基于AI的方法在临床常规中使用的定量应变指标以及用于FT应变评估的轮廓层面上的表现,研究对象为健康志愿者和不同心脏疾病患者,以识别这些方法的优势和不足。
材料与方法
伦理审查委员会批准了所有研究,所有参与者均提供了书面知情同意。
研究人群
在健康志愿者队列中,纳入了67名受试者,这些受试者是先前一项研究[15]中回顾性招募的。最终分析时,7名志愿者因缺乏覆盖整个心室的短轴(SAX)层叠图像而被排除,1名因明显的呼吸伪影被排除,最终健康队列由60名受试者组成。为进行临床验证,构建了一个由76名患者组成的队列,选自先前的研究[19–21],病例包括左心室肥厚(LVH)(n = 46,其中8名患有动脉性高血压(AHT))、24名主动脉瓣狭窄(AS)、14名肥厚型心肌病(HCM)和慢性心肌梗死(CMI)(N = 30,其中10名左心室射血分数(LVEF)保留、无室壁运动异常(WMA)且伴有局灶性纤维化(CMI-F),10名LVEF降低、区域性WMA、局灶性纤维化(CMI-WF),以及10名LVEF降低伴左心室扩张、整体WMA和局灶性纤维化(CMI-EWF))。
成像方案
CMR分别在1.5-T扫描仪(MAGNETOM Avanto−FIT,Siemens Healthineers)或3-T扫描仪(MAGNETOM Verio,Siemens Healthineers)上进行。采集基于稳态自由进动的电影图像,包括3个长轴(LAX)视图(两腔心视图(cv)、三腔心视图和四腔心视图)以及一个覆盖整个左心室的SAX层叠。1.5-T扫描仪上SAX层叠的序列参数如下:重复时间2.8–3.31 ms,层厚7 mm无间隙,翻转角80°,回波时间1.2–1.44 ms,视野340–380 × 276–308、75 mm²,矩阵192 × 156,体素大小1.4–2.0 × 1.4–2.0,30个心动周期相位;3-T扫描仪的参数为:重复时间3.1 ms,层厚6 mm无间隙,翻转角45°,回波时间1.3 ms,视野340 × 276 mm²,矩阵192 × 156,体素大小1.4 × 1.4,30个心动周期相位。
手动分割
手动分割使用专用软件(circle CVI42版本5.14.7,Circle Cardiovascular Imaging Inc.)进行。在舒张末期(ED)绘制手动心内膜和心外膜轮廓,ED由SAX以及两腔心视图、三腔心视图和四腔心视图中左心室容积最大的相位确定。分割过程中我们特别注意避免在舒张期和/或收缩期左心室流出道(LVOT)仍可见的相位进行勾画。乳头肌未单独勾画,如近期发表所述[15]。用于 delineation 节段的参考点手动置于左心室和右心室前交汇处的心外膜下边界。
AI生成的分割
与手动应变评估类似,AI轮廓也是在ED期获取的。AI对可见LVOT的切片进行分割时使用开放的LV心内膜和心外膜轮廓,这些轮廓在应变分析中被忽略。参考点由AI自动设置;然而,每个点均经手动验证以获得可比的节段值。Circle CVI42软件中采用的AI分割算法由不同的深度卷积神经网络模型组成,这些模型经过训练以执行SAX和LAX CMR图像分割。为此采用了与标准U-Net类似的模型架构,并结合多种数据增强技术以增强训练模型的泛化能力。该模型在UK Biobank数据以及包含法洛四联症、心肌病和高血压等病理状况患者数据的数据集上进行了训练[22]。这些模型仅基于图像像素数据和图像头信息(如图像尺寸和像素间距)运行。
应变评估
分割后,FT算法提供应变值。该算法使用心肌点并沿心动周期对其进行跟踪[23, 24]。在定量层面上,比较手动和AI方法在CS和RS(取自SAX视图)以及LS(取自LAX视图)应变评估中的表现。所有应变值均按照美国心脏协会(AHA)用于CMR的17节段模型(不含心尖节段)导出整体及节段值[25]。正确的FT通过网格分析或通过跟踪心肌点穿越各期相来评估。不正确的跟踪定义为网格叠加或心肌点未跟随轮廓范围[15, 26]。为使分割之间在应变分析方面具有可比性,我们验证了AI算法选择了正确的ED期相。
统计分析
所有连续变量以均值和标准差(SD)表示。正态分布通过QQ图可视化。采用混合模型评估健康志愿者和患者合并后各模态之间在节段和整体层面的测量差异。在混合模型中,应用全局检验以检验是否存在任何差异。在全局检验显著的情况下,进行两两比较。此外,我们检验了AI与手动分割之间发现的差异是否在所有组中均匀一致,或某一特定组是否表现出较大偏差。
此外,使用“Lazy Luna”(LL)工具对两种分割方法进行了比较,该工具可通过可重复性验证指标在轮廓层面上评估有经验的读者与人工智能之间的相似性[27]。我们选择Dice相似系数(DSC)和Hausdorff距离(HD)来比较手动轮廓与人工智能方法的一致性。DSC评分基于心肌类别计算,该类别由手动或人工智能放置的心内膜和心外膜轮廓的交集得出。高DSC数值表示分割区域有实质性重叠,低数值表示不一致。HD指标则相反。为了比较插入点的正确放置,LL工具还基于与左心室质心的角度差异比较了手动和人工智能放置的插入点。由于部分短轴(SAX)采集是在造影剂应用后(post-CM)进行的,因此将GRS和GCS以及DSC和HD指标与造影剂应用前(pre-CM)的采集进行了比较。统计分析使用专用软件(SPSS版本26,International Business Machines;SAS版本9.4,SAS Institute Inc.)进行。分割比较工具“Lazy Luna”和靶心图在Python(版本3.8,Python Software Foundation)中创建[27]。
结果
研究人群
在健康队列中,重新分析了67名受试者,在临床队列中分析了76名患者。关于健康志愿者队列和患者的详细信息见表1。总体而言,人工智能导出的应变值显示出高估RS值的趋势((平均差值%(±标准差))+ 1.8(± 1.7)),并低估CS(− 0.8(± 0.8))和LS值(− 0.1(± 0.8))(图1)。对于整个研究队列,包括健康志愿者和病理患者,全局检验显示GCS(p = 0.03)、GRS(p = 0.03)以及RS AHA节段5(p = 0.045)、10(p = 0.04)、11(p = 0.002)和12(p = 0.03)存在显著差异。 pairwise检验显示,对于特定队列的GCS、GRS和RS AHA节段12,手动与人工智能方法比较无显著差异。在AS和HCM亚组中,人工智能与手动应变值之间在RS AHA节段5(分别为p = 0.01和p = 0.03)、10(分别为p = 0.01和p = 0.02)和11(分别为p = 0.02和p = 0.01)方面发现了统计学显著结果(补充材料1)。此外,除CS的AHA节段10(p = 0.02)以及RS(p = 0.02)外,我们发现方法与所检查亚组之间无显著交互作用(补充材料2)。总体而言,在83/136例(61%)中,SAX图像是在post-CM采集的。对于各亚组,post-CM后采集的SAX百分比如下:健康队列37/60(61.7%)、CMI-F 10/10(100%)、CMI-WF 10/10(100%)、CMI-EWF 10/10(100%)、AHT 7/8(87.5%)、AS 8/24(33.3%)、HCM 1/12(8.3%)。
应变分析——健康队列
所有60例的CS、RS和LS应变分析均可行。全局值如下:手动(均值%(±SD))——GCS − 16.2(± 2.2);GRS 25.5(± 4.9);GLS − 17.5(± 1.8);AI方法:GCS − 16.7(± 2.2);GRS 26.6(± 5.0);GLS − 17.3(± 1.7)。各节段应变值及标准差见图2。DSC(%)显示手动与AI得出的轮廓之间具有良好一致性,SAX轮廓为85.3 ± 10.3,2cv轮廓为85.8 ± 2.9,3cv轮廓为83.1 ± 5.1,4cv轮廓为84.1 ± 4.1(图3)。插入点比较显示平均角度差异为5.1 ± 10.9°(相对值差异为1.4 ± 3.0%)。关于两种方法,最高CS和LS值以及最低RS值均局限于AHA模型的第11或12节段(乳头肌插入点)。
应变分析——患有各种心脏疾病的患者
在所有临床病例中均可行AI衍生的轮廓生成和应变分析。整体和节段值见补充材料1。Dice度量值显示手动与AI衍生轮廓之间具有良好一致性,短轴(SAX)轮廓平均为80.8 ± 9.6,两腔心(2cv)轮廓为85.1 ± 4.6,三腔心(3cv)轮廓为85.9 ± 6.7,四腔心(4cv)轮廓为85.5 ± 4.4(表2)。在心脏病队列中,插入点的角度差异平均为4.4 ± 9.4度(1.2 ± 2.6%)。对于各个病理类型,结果如下:动脉高血压(AHT)3.3 ± 6.4°(0.9 ± 1.8%),主动脉瓣狭窄(AS)2.0 ± 6.5°(0.7 ± 1.8%),肥厚型心肌病(HCM)0.3 ± 12.7°(0.01 ± 3.5%),慢性心肌梗死-纤维化(CMI-F)8.3 ± 7.7°(2.3 ± 2.1%),慢性心肌梗死-壁运动障碍(CMI-WF)5.9 ± 8.6°(1.6 ± 2.4%),慢性心肌梗死-壁运动亢进(CMI-EWF)9.6 ± 9.2°(2.7 ± 2.6%)。图4展示了跟踪正确且具有相应病理特征的示例。在27例(35.5%;27/76)中发现跟踪错误,其中3例来自CMI-WF,24例来自左心室肥厚(LVH)组,其中AHT组4例(16.7%;4/24),AS组16例(66.7%;16/24),HCM组4例(16.7%;4/24)。进一步分析显示,LVH组的跟踪错误主要局限于基底段、室中段前侧壁和下侧壁的乳头肌插入点处(81.5%;22/24),导致这些节段的纵向应变(LS)值偏高。下壁室中段是第三大受影响区域(8.3%;2/24)。在CMI组的1例中,尽管心外膜轮廓正确,但在右心室内识别到跟踪特征(3.7%;1/76)。图5展示了临床队列中遇到的跟踪错误示例。
造影剂应用前后的图像分析
手工分割在对比剂给药后(post-CM)GRS和GCS均较低(GRS:对比剂给药前(pre-CM)25.7 ± 6.9% vs. 对比剂给药后20.1 ± 7.8%;p < 0.001;GCS:对比剂给药前 − 15.0 ± 3.0 vs. 对比剂给药后 − 13.3 ± 4.2;p < 0.001),人工智能(AI)分割亦如此(GRS:对比剂给药前28.2 ± 6.8% vs. 对比剂给药后21.4 ± 8.1%;p < 0.001;GCS:对比剂给药前 − 17.1 ± 2.8 vs. 对比剂给药后 − 13.0 ± 4.3;p < 0.001)。
DSC和HD指标在对比剂给药前与给药后的短轴(SAX)分割中处于相同范围;然而,对比剂给药后评分较低(DSC:对比剂给药前83.6 ± 9.3% vs. 对比剂给药后80.5 ± 14.3%;HD:对比剂给药前3.3 ± 1.4 mm vs. 对比剂给药后3.6 ± 1.7 mm)。
讨论
我们的研究主要结果如下:基于AI衍生轮廓在电影图像上通过特征追踪(FT)进行应变分析是可行的,并可获得等效的全局和节段应变值,但肥厚心室侧壁节段除外。然而,该差异可归因于追踪误差,因为空间重叠指标显示两种方法具有良好一致性。
心脏磁共振(CMR)已成为左心室和右心室容积及质量量化的金标准[28],并具有标准化的图像分析和后处理方法[29]。然而,关于如何应用CMR量化左心室心肌组织动力学和形变,尚无共识推荐。因此,我们探索了通过FT进行应变评估如何借助AI驱动的方法潜在实现更标准化。在我们的研究中,我们能够证明用于FT应变评估的AI生成轮廓是可靠的,并可获得等效的全局和节段值。在Ruijsink等人先前的一项研究中,手工分割与基于AI的分割之间的DSC对于心内膜分割为93%,对于心外膜分割为84%[18]。我们在研究中发现心肌类的DSC与之相似。在“自动心脏诊断挑战赛”(ACDC)数据集上测试的其他分割算法,左心室DSC评分高达96%[30]。这些评分高于本文所呈现的评分;然而,挑战赛中的底层数据集是一个重要因素。ACDC数据集包括与本研究中相似的病变,如肥厚型心肌病(HCM)、心肌梗死(CMI)和扩张型心肌病;然而,扫描是否在对比剂给药后进行并未明确描述。对比剂给药后获得的图像构成额外挑战,因为心肌纤维化可能被AI算法以及人类读者误认为血池。在本研究中,我们发现CMI组的分割重叠总体最低,由DSC和HD指标表明。由于CMI组的所有扫描均在对比剂给药后进行,且每例均包括至少一处局灶性纤维化,这些扫描对算法构成了挑战。对比剂给药前与给药后图像比较中较低的DSC和HD也证明了这一点。在左心室肥厚(LVH)亚组中,我们发现与健康和CMI队列相比DSC评分更高。我们认为这一悖论可通过LVH队列中较大的左心室质量(LVM)来解释,因为分割的总体差异被较大的面积所除。在考虑HD指标时,健康队列在短轴分割方面显示最低值。
当比较根据AHA模型定义的节段值时,必须考虑插入点。为了验证插入是否正确,可以进行视觉分析;然而,对于大数据而言,这很繁琐。因此,我们提出了一种基于角度差异的比较方法,如方法部分所述。最大的角度差异(8.7°)见于CMI-F队列。将其与AHA节段的一般划分(60°)相比较,我们认为这些差异可以忽略;然而,角度差异的相关性及其对AHA节段的影响应进一步研究。
有趣的是,Ruijsink等人的研究使用了3个短轴(SAX)切面以及2腔心(2cv)和4腔心(4cv)切面,结合舒张期轮廓进行应变评估。这可能潜在影响CS和RS值的应变分析[15]。既往研究报告了全SAX覆盖下FT的正常值[5, 31]。为了进一步实现心脏磁共振(CMR)图像更简化的后处理,人工智能(AI)算法通过在舒张末期(ED)和收缩末期(ES)放置轮廓进行功能评估,可以“回收”这些轮廓用于FT应变评估。需要进一步研究采用该方法——可能在实际临床常规场景中——以验证该方法在真实世界环境中是否可行。我们不仅分析了健康人群,还分析了具有不同临床实体的患者,这些患者被选择为要么对分割具有挑战性(纤维化增强后电影图像),要么对FT算法具有挑战性(室壁运动异常),或两者兼有(左心室肥厚(LVH)亚组、CMI-EWF)。此外,我们对所有病例进行了1:1比较,而不仅仅是选择性病例,这最大限度地减少了误差的可能性。LVH组,尤其是AS和HCM病例,在轮廓和追踪层面对AI构成了负担。关于AS和CMR FT的研究此前已有发表,但均未涉及AI衍生轮廓或追踪误差分析[32–37]。由于LVH组中大多数追踪问题与前侧壁和下侧壁节段相关,乳头肌肥厚可能发挥了作用[38, 39]。由于FT算法依赖于基于体素特征的识别,而这些特征在正常心肌中通常稀疏甚至缺失[40],心肌组织肥厚可进一步恶化追踪。我们在健康队列中发现上述节段的CS和LS最高,RS值最低。Andre等人呈现了类似结果,这些节段的方差最大。可能即使在非病理状态下,乳头肌的运动也会影响这些节段的数值,而心肌及其附属结构的肥厚会进一步加剧这一影响。一项既往研究发现健康男性和女性志愿者在LS分析的AHA第5节段存在统计学显著差异[15]。另一项研究报告男性乳头肌质量显著大于女性[41],这可能解释既往发现和本研究结果。与已识别的对FT算法构成挑战的节段一致,AI衍生应变值在这些节段显示出与手动轮廓相比唯一显著的差异。有趣的是,方法间的差异归因于AS和HCM病例的应变值(补充材料2)。然而,这些差异并非基于轮廓层面,如DSC所证实。潜在的影响因素可能与长轴(LAX)范围或采集本身有关。与其他病理相比,我们发现该组中3腔心(3cv)切面位置常处于较窄角度。这一发现可能与AS患者中突出且扩张的升主动脉根部损害了适当的3cv采集有关[42, 43]。
节段间差异是FT衍生应变值的一个缺点。在fast-SENC、标记法和FT的头对头比较中,所有技术均具有良好的可重复性;然而,在节段性研究间比较中,FT显示出最低的一致性[3]。其他研究证实了这一点,这些研究报告了节段间相当大的变异,使得比较变得相当不可行,并进一步表明使用FT进行节段性分析较为复杂且临床意义不确定[31, 44]。一个潜在的解决方案可能是使用区域性而非节段性数值[45]。与FT不同,其他技术如DENSE在节段性应变值方面具有更高的可重复性[46, 47]。此外,DENSE提供的节段性应变值已被证明对急性心肌梗死后的患者具有预后意义[48]。关于节段性方法,SENC衍生的应变值同样显示出更好的节段间一致性[3, 49]。fast SENC技术似乎具有高度可重复性,甚至跨不同站点也是如此[50, 51]。该技术的临床应用已显示出临床价值;然而,关于节段性数值仍需更多研究[52]。总体而言,所有源自市售软件的应变值在可比性方面可能均存在局限,因为新版本会提供新的数值;因此,提供所应用的软件版本非常重要。
最后,我们想就对比剂应用对FT衍生应变值的影响进行评论。一方面,我们注意到AI算法的分割变得更具挑战性;另一方面,对比剂应用后的应变值较低。这与既往文献一致[53]。由于短轴(SAX)采集现在大多数情况下在对比剂应用后进行,挑战和AI分割网络必须考虑到这一点。
局限性
这是一项单中心研究,病例数量有限,但反映了不同的疾病实体。这限制了在配对比较中检测显著差异的潜在统计效能。另一个局限性是我们未沿心动周期比较心脏轮廓,以描绘FT算法的正确追踪。此外,我们想指出我们未使用其他厂商的设备,这降低了普适性。
结论
我们的研究表明,在心脏磁共振(CMR)中应用AI衍生轮廓进行特征追踪和应变分析所得结果与手动分割相当。在评估左心室肥厚病例时应予以注意,尤其是主动脉瓣狭窄患者,无论使用手动还是AI衍生轮廓。
补充信息
以下是电子补充材料的链接。补充文件1(PDF 170 KB)
引用
- Gröschel J, Kuhnt J, Viezzer D, et al. Comparison of manual and artificial intelligence based quantification of myocardial strain by feature tracking-a cardiovascular MR study in health and disease. Eur Radiol. 2023. PMID: 37594523. doi:10.1007/s00330-023-10127-y
- 全文:PMC10853310(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10853310/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。