基于深度学习的心脏T1和T2磁共振成像（MRI）图谱分割技术，用于自动疾病检测

心肌T1/T2 maps的深度学习自动分割准确度超越手动观察者间差异，结合随机森林机器学习提升疾病检测F1-score至92.7%。

　　

摘要

目的

参数化组织成像能够实现心脏组织的定量表征，但在手动勾画过程中受到观察者间差异的限制。传统方法依赖于平均弛豫值和单一阈值，可能会简化心肌的复杂性。本研究评估深度学习（DL）是否能够达到与观察者间一致性相当的分割精度，探讨了超出平均T1/T2值的统计特征的实用性，并评估了结合多种基于强度的统计特征的机器学习（ML）是否能够提高疾病检测能力。

材料与方法

T1和T2图像被手动分割。测试数据集由两名观察者独立标注，并评估了观察者间的差异。训练了一个DL模型来分割左心室血池和心肌。计算了心肌像素的平均值（A）、下四分位数（LQ）、中位数（M）和上四分位数（UQ），并用于分类（通过应用阈值或使用ML）。使用Dice相似系数（DICE）和平均绝对百分比误差来评估分割性能。Bland-Altman图用于评估用户间和模型与观察者间的一致性。接收者操作特征分析确定了最佳阈值。Pearson相关性用于比较模型和手动分割的特征。F1分数、精确度和召回率用于评估分类性能。Wilcoxon检验用于评估不同分类方法之间的差异，当p<0.05时认为具有统计学意义。

结果

144名受试者（平均年龄42.2岁±16.1岁，76名男性）被分为训练组（100人）、验证组（15人）和评估组（29人）。分割模型的DICE值为85.4%，超过了观察者间的一致性。将随机森林应用于所有特征后，F1分数提高到了92.7%（p<0.001）。

结论

深度学习有助于T1/T2图像的分割。结合多种特征与机器学习可以提高疾病检测能力。

要点

问题 手动分割心肌T1/T2图像耗时且受观察者间差异的影响；仅依赖单一阈值进行诊断可能会简化心肌的复杂性。

发现 深度学习的分割精度达到了观察者间一致性的水平，而机器学习相比单一阈值能够提高疾病检测能力。

临床意义 从T1/T2图像中自动进行分割和特征提取可以提高工作流程效率，减少观察者间的差异，并提高诊断的一致性。机器学习模型的高召回率减少了漏诊情况，确保了更可靠的疾病检测。

图形摘要

目的

参数化组织成像能够实现心脏组织的定量表征，但在手动勾画过程中受到观察者间差异的限制。传统方法依赖于平均弛豫值和单一阈值，可能会简化心肌的复杂性。本研究评估深度学习（DL）是否能够达到与观察者间一致性相当的分割精度，探讨了超出平均T1/T2值的统计特征的实用性，并评估了结合多种基于强度的统计特征的机器学习（ML）是否能够提高疾病检测能力。

材料与方法

T1和T2图像被手动分割。测试数据集由两名观察者独立标注，并评估了观察者间的差异。训练了一个DL模型来分割左心室血池和心肌。计算了心肌像素的平均值（A）、下四分位数（LQ）、中位数（M）和上四分位数（UQ），并用于分类（通过应用阈值或使用ML）。使用Dice相似系数（DICE）和平均绝对百分比误差来评估分割性能。Bland-Altman图用于评估用户间和模型与观察者间的一致性。接收者操作特征分析确定了最佳阈值。Pearson相关性用于比较模型和手动分割的特征。F1分数、精确度和召回率用于评估分类性能。Wilcoxon检验用于评估不同分类方法之间的差异，当p<0.05时认为具有统计学意义。

结果

144名受试者（平均年龄42.2岁±16.1岁，76名男性）被分为训练组（100人）、验证组（15人）和评估组（29人）。分割模型的DICE值为85.4%，超过了观察者间的一致性。将随机森林应用于所有特征后，F1分数提高到了92.7%（p<0.001）。

结论

深度学习有助于T1/T2图像的分割。结合多种特征与机器学习可以提高疾病检测能力。

要点

问题 手动分割心肌T1/T2图像耗时且受观察者间差异的影响；仅依赖单一阈值进行诊断可能会简化心肌的复杂性。

发现 深度学习的分割精度达到了观察者间一致性的水平，而机器学习相比单一阈值能够提高疾病检测能力。

临床意义 从T1/T2图像中自动进行分割和特征提取可以提高工作流程效率，减少观察者间的差异，并提高诊断的一致性。机器学习模型的高召回率减少了漏诊情况，确保了更可靠的疾病检测。

图形摘要