مرزبندی فیبروز میوکارد در تصاویر ام آرآی کسب‌شده با ماده حاجب بیماران کاردیومیوپاتی هیپرتروفیک با یادگیری عمیق

مقدمه: مرزبندی دقیق نواحی مبتلابه فیبروز میوکارد در تصاویر ام‌آرآی کسب‌شده با ماده حاجب نقش بسیار مهمی در پایش بیماران کاردیومیوپاتیک هیپرتروفیک و ارزیابی ریسک ابتلای آن‌ها به عوارض ناشی از این بیماری همچون مرگ ناگهانی دارد. به دلیل صرف زمان بسیار و نیاز به تخصص برای انجام این عمل، خودکار کردن این فرایند می‌تواند نقش بسزایی در تسریع و افزایش کارایی آن بگذارد. هدف از مطالعه انجام‌شده، استفاده از یک مدل مبتنی بر یادگیری عمیق برای خودکار کردن فرایند مرزبندی فیبروز میوکارد در تصاویر ام‌آرآی کسب‌شده با ماده حاجب بیماران در کاردیومیوپاتیک هیپرتروفیک بود. روش ها: در این پژوهش از پشت سر هم قرار گرفتن سه مدل مشابه برگرفته از شبکه‌ی یونت، به ترتیب برای تشخیص ناحیه هدف، رسم مرزهای میوکارد و مرزبندی دقیق نواحی مبتلابه فیبروز استفاده‌شده است. برای انجام این پژوهش، از تصاویر ام‌آرآی کسب‌شده با ماده حاجب 41 بیمار مبتلابه کاردیومیوپاتی استفاده شد که توسط دو متخصص با سابقه مرزبندی شده بودند. یافته ها: مدل استفاده‌شده توانست ضریب تشابه دایس و صحت به ترتیب 89/74 و 98/22 در مرزبندی فیبروز؛ و 88/42 و 94/66 در مرزبندی ماهیچه بطن چپ دست یابد و در مقایسه با روش‌های قبلی کارایی بالاتری ارائه دهد. نتیجه‌گیری: نتایج به‌دست‌آمده از این مطالعه نشان دادند که استفاده از روش‌های یادگیری عمیق در روند رسم مرزهای فیبروز میوکارد، علاوه بر خودکارسازی این فرایند، حذف نیاز به تخصص و همچنین کاهش زمان، می‌توانند کارایی این عمل را نسبت به روش های ارائه‌شده پیشین افزایش دهند.

myocardial fibrosis delineation in late gadolinium enhancement images of hypertrophic cardiomyopathy patients using deep learning methods

introduction: accurate delineation of myocardial fibrosis in late gadolinium enhancement cardiac magnetic resonance (lge cmr) has a crucial role in the assessment and risk stratification of hcm patients. as this is time consuming and requires expertise, automation can be essential in accelerating this process. this study aims to use unet based deep learning methods to automate the mentioned process.methods: this study used three consecutive unet based networks for region of interest (roi) detection, myocardial segmentation, and fibrosis delineation. the study was conducted on lge images of 41 images diagnosed with hcm, which were contoured by two experts. results: this model reported a dice similarity coefficient and accuracy of 89.74 and 98.22 in myocardial segmentation and 88.42 and 94.66 in fibrosis delineation, respectively, and could outperform the previous methods conclusion: the results confirm that using deep learning methods for delineating myocardial fibrosis not only can automate the process, but also helps improve the results and decrease the required time.