摘要
基于深度学习的心脏磁共振序列特征识别可自动描绘心脏解剖结构，自动量化心脏功能参数，自动判读心肌结构特征，自动分型心肌运动模式。此方法对临床诊断急性心肌梗死的准确性与时效性提供了强有力的支撑。本文通过卷积神经网络结构，训练特征识别模型，实现心脏磁共振图像多尺度、深层次、全时序的抽象特征自动提取。同时，通过优化模型结构增强对心肌图像背景噪声、呼吸运动、边界模糊、收缩形态异常等因素的抗干扰能力。本文面向心脏功能、心脏结构、心脏运动等问题依次开展研究，主要工作内容如下: 1.本文面向心脏功能，建立了基于双向时空特征提取的深度学习模型。在递归神经网络模型基础上，通过长短时记忆结构有效缓解心脏磁共振图像边界提取时梯度消失或过载的问题，以全时序连接前向、后向的图像隐藏状态，挖掘深度隐藏信息，同步循环引导模型的分类，从而实现对左心室心内膜、心外膜的特征识别。研究由136例急性心肌梗死患者和50例正常志愿者的心脏磁共振影像数据构成数据集，共计由37200幅图像组成。本文模型心外膜特征识别的Dice相似系数为0.98,心内膜Dice相似系数为0.94,其结果优于大部分传统算法。本文所建立模型与最先进的12种模型方法依次进行比对，特征识别结果具有较强优势。 2.本文面向心脏结构，建立了基于左心室17节段自动识别与分割模型。以心脏左心室中心点位置为基准，通过端对端的特征点检测方法，进一步展开面向心肌水肿结构的17节段水平特征识别。模型以识别左心室特征解剖结构点和左心室心肌信号为基准，利用极坐标转换的方法实现节段水平分割，可有效提高心肌精细化结构特征识别的准确性。本地数据集由76例急性心肌梗死患者构成，结果显示本文节段水平特征识别与人工标注间Pearson相关系数为0.85,左心室射血分数与左心室容积较人工标注模型计算的差异量最小，分别为2.7％和5.7mL。同时，面向心肌结构的特征识别可使心肌水肿识别的敏感性可提升至93.7％,特异性提升至92.5％,曲线下面积达0.96。 3.本文面向心脏运动，建立基于光流法结合深度学习模型的特征识别方法。通过心动周期运动识别，精准定位左心室舒张末期、左心室的收缩末期时间点，通过心肌应变参数计算与欧氏距离变换等方法，自动提取心肌运动量化指标。本地数据集由65例急性心肌梗死患者和50例正常志愿者构成，结果显示本文特征识别方法可有效量化急性心肌梗死后患者的节段性室壁运动异常，进一步实时反映出室间隔心肌在径向、环向、纵向等三个运动向量维度上的改变。本文首次提出急性心肌梗死后毗邻梗死心肌和远端心肌存在代偿性的运动补偿，随着梗死心肌透壁程度的增加，75％的截断值对急性心肌梗死后患者房室传导阻滞的预后研判具有重要的临床参考价值。 在心脏磁共振成像研究领域，基于深度学习的模型可实现左心室心肌结构的自动分割、心脏功能参数的自动输出、心脏运动特征的自动量化。此方法具有多层次、多维度等特点，可深入挖掘非线性的原始数据，产出更深层次、更加抽象性的特征，以此来精准描述原始数据全局和局部的内在联系。模型的算法优化和框架结构是实现心脏磁共振序列特征识别的核心，也是深度学习走向临床，解决临床实际问题的有效途径。
NETL