基于视频的多点追踪网络(MPTN)在心血管磁共振成像中房室交界区检测与运动参数分析的应用研究

本文推荐一种创新性人工智能解决方案——基于视频的多点追踪网络(MPTN)，通过心血管磁共振(CMR)实现房室交界区(AVJ)动态检测与追踪。该模型整合AVJ点检测模块与优化DeepSORT算法，在286例受试者（含心衰、心梗等患者）中验证了其卓越性能（参数相关性达0.89-0.93），为心脏运动功能评估提供了自动化临床工具。

　　

Highlight

研究人群

我们回顾性收集了286名受试者的CMR数据：55名正常对照者、56名心力衰竭(HF)患者、58名急性心肌梗死(AMI)患者、53名肺动脉高压(PAH)患者和64名法洛四联症修复术(rTOF)患者（详见表1）。CMR采集使用3T飞利浦扫描仪或1.5T西门子扫描仪完成，具体参数参见补充材料。每位患者的CMR数据包含2腔、3腔和4腔心切面图像。

基线人口统计学与临床变量

表1展示了研究人群的人口统计学特征和CMR参数。图3演示了使用本方法对受试者AVJ运动的追踪过程，动态追踪视频详见补充视频。

性能对比

我们与当前主流多目标追踪方法进行对比实验，包括EAMTT、POI、SORT和卷积循环神经网络(CRNN)。所有对比方法的参数均设置为......

讨论

本研究提出了一种用于临床CMR视频中AVJ点运动轨迹追踪的端到端人工智能(AI)解决方案。MPTN模型包含AVJ点检测模块和运动追踪模块，能自适应检测三个心尖切面（2/3/4腔）中左右心室的AVJ点，并自动生成收缩速度S’、早期舒张速度E’等临床关键参数。

结论

本研究解决了跨心腔CMR视频运动追踪的难题，提出的MPTN模型在数据集中展现出优异性能，为心脏疾病诊断提供了新型运动功能评估框架。

伦理声明

本研究经SingHealth中央机构审查委员会批准，所有参与者均签署知情同意书，遵循《赫尔辛基宣言》伦理准则。

作者贡献声明

Shuang Leng：论文撰写/方法设计/数据分析；Jianguo Chen：论文修订/方法优化；Ru-San Tan：资源协调/研究构思；其他作者均参与数据采集或论文修订（完整列表见原文）。