قطعه بندی چهاربعدی آئورت قفسه سینه از MRI جریان چهار بعدی با استفاده از یادگیری عمیق

پیش زمینه: MRI جریان چهاربعدی، امکان تحلیل تغییرات همودینامیک را در آئورت به دلیل آسیب شناسی هایی مانند آئوریسم آئورت قفسه سینه (TAA) فراهم می کند. شاخص های زیستی جدید برای مدیریت شخصی TAA نیاز به تحلیل اثر تکرار ساختار سیال دارند که می توان آن را از MRI جریان چهار بعدی به دست آورد. با این حال، تولید این شاخص های زیستی نیاز به قطعه بندی چهار بعدی قبلی قفسه سینه دارد. هدف: توسعه مدل یادگیری عمیق خودکار برای قطعه بندی آئورت به صورت چهار بعدی از MRI جریان چهار بعدی.روش ها: قطعه بندی، با مدل قطعه بندی مبتنی بر U-Net بررسی می شود که هر فریم MRI جریان چهار بعدی را به عنوان یک نمونه مستقل در نظر می گیرد. عملکرد با توجه به امتیاز تشابه (DC) و فاصله هاوسدورف (HD) اندازه گیری می شود. علاوه بر این، حداکثر و حداقل مساحت سطح در سطح آئورت صعودی اندازه گیری می شوند و با نواحی سطح به دست آمده از تصویربرداری مغناطیسی قلب، مقایسه می شوند. نتایج: عملکرد قطعه بندی برای DS، ۰.۹۰ ± ۰.۰۲ بود و میانگین HD، ۹.۵۸ ± ۴.۳۶ mm بود. ضریب همبستگی r=۰.۸۵ برای حداکثر سطح و r=۰.۸۶ برای حداقل سطح بین MRI جریان چهاربعدی و MRI قلبی بود. نتیجه گیری: به نظر می رسد که رویکرد خودکار پیشنهادی قطعه بندی آئورت چهاربعدی از MRI جریان چهاربعدی برای کمک به استفاده گسترده تر این روش تصویربرداری در تحلیل آسیب شناسی هایی مانند TAA به اندازه کافی دقیق باشد.

قطعه بندی چهاربعدی آئورت قفسه سینه از MRI جریان چهار بعدی با استفاده از یادگیری عمیق Keywords:

MRI جریان چهاربعدی , یادگیری عمیق , قطعه بندی , آئوریسم آئورت قفسه سینه ای