基于放射组学与深度学习融合的非对比增强心脏磁共振成像心肌梗死自动检测新方法

本研究针对非对比增强心脏磁共振（cine-CMR）成像中心肌梗死（MI）检测的挑战，提出了一种结合放射组学纹理分析与深度学习分割的混合框架。研究人员通过整合灰度共生矩阵（GLCM）和灰度游程矩阵（GLRLM）的放射组学特征，构建改进的U-Net网络，在SCD和Kaggle数据集上验证显示：联合熵（Joint Entropy）等特征具有最优鉴别力（AUC=0.948），混合模型分割性能显著提升（Dice=0.887），分类准确率达96.30%。该研究为无创性心肌组织表征提供了可解释的智能化解决方案。

　　

心肌梗死（Myocardial Infarction, MI）作为全球35岁以上人群的主要死因，其准确检测对临床决策至关重要。虽然心脏磁共振成像（CMR）被视为金标准，但非对比增强cine-CMR中细微的心肌纹理变化仍难以捕捉。现有深度学习方法存在"黑箱"局限性，而传统放射组学方法又缺乏自适应能力——这正是邵阳市中心医院心血管内科团队在《Scientific Reports》发表的研究试图突破的关键科学问题。

研究人员创新性地将放射组学特征与改进U-Net架构进行多层级融合：早期融合阶段将标准化后的放射组学特征图与原始图像通道拼接，中间融合阶段则在各编码器层级整合学习到的语义特征。这种双引导策略通过联合熵（Joint Entropy）、最大概率（Max Probability）和游程非均匀性（RLNU）等关键特征，显著提升了模型对心肌组织异质性的解析能力。研究采用三阶段特征选择流程（相关性过滤→统计检验→MSVM-RFE递归消除），并在训练中应用旋转、翻转和CLAHE对比度增强等数据增广技术。

特征提取模型
通过多变量分析发现，联合熵在区分梗死与正常心肌时表现出最高判别力（AUC 0.948），其数值在梗死区域显著升高（0.47±0.12 vs 0.19±0.06）。

U-Net分割模型
基线U-Net在数据增广后Dice系数从0.7006提升至0.841，而融合放射组学特征的混合模型进一步将性能提升至Dice=0.887，HD95边界误差降至4.48mm。

混合分割模型
概率图显示模型对梗死区域具有高置信度，Bland-Altman分析证实预测梗死面积与金标准具有极佳一致性（r=0.95-0.98）。

这项研究的意义在于：首次实现了放射组学特征与深度学习在cine-CMR中的端到端联合优化，相比传统方法（如Al-Antari等报道的ResU-Net 88.48%准确率），该混合框架将分类性能提升至96.30%准确率（AUC 0.97）。其创新性体现在：①通过早期/中期双融合策略保留纹理特征的空间信息；②采用放射组学引导的混合损失函数提升边界精度；③建立可解释的特征-病理对应关系（如RLNU反映心肌纤维化程度）。尽管存在样本量有限、未纳入LGE-MRI多模态数据等局限，该框架为禁忌造影剂患者的心肌评估提供了新范式，其模块化设计也适用于其他医学图像分析任务。