飞声悦览|基于机器学习的右心室大小和功能的三维超声定量:用心脏磁共振验证
1.jpg

近年来,人工智能技术,如机器学习(Machine Learning, ML),已经能够从三维超声心动图(Three-Dimensional Echocardiography ,3DE)数据中自动检测左心室和左心房心内膜边界,从而能够快速准确地测量左心室和左心房容积和射血分数(Ejection Fraction,EF),为心脏结构和功能的研究提供了新方法,扩大了超声心动图在临床实践中的应用。

右心功能在多种心脏疾病的诊断和预后评估中越来越受到重视,使得这种ML得到进一步发展,能够自动检测3DE数据中右心室(Right Ventricular,RV)心内膜边界,但这种新方法准确性和可重复性如何呢?
今天,我们解读Lang教授于2019年发表于Journal of the American Society of Echocardiography的研究成果,这是首次应用基于ML的全自动算法测量RV容积和EF的研究,并与评估RV容积和EF的金标准——心脏磁共振(Cardiac Magnetic Resonance,CMR)测量结果进行比较,以准确评价该新方法的价值。
2.png

研究设计

随机选取56名患者进行3DE及CMR检查,使用新的基于ML自动分析软件(3D Auto RV,飞利浦)对3DE图像进行分析,使用CMR配备软件对CMR图像进行分析,随后将两种方法获取的RV容积参数及EF进行比较。

✎ 3DE图像分析

(1)图像质量分析

将RV分成17个节段(如下图),根据心内膜边界可视化情况评分为0(不可见)、1(部分可见)或2(均可见)。所有17个节段的总分决定了图像整体质量,介于0~34之间,分数>23图像质量好,18~23为一般,18<为差。

3.png

图1:右室17节段划分。A ap:前壁心尖段;A bas:前壁基底段;AL:前外侧壁;A mid:前壁中间段;AS:前间隔壁;I:下壁;I ap:下壁心尖段;I bas:下壁基底段;I mid:下壁中间段;IS:下间隔壁;L ap:外侧壁心尖段;L bas:外侧壁基底段;L mid:外侧壁中间段;PL:后外侧壁;S ap:间隔壁心尖段;S bas:间隔壁基底段;Smid:间隔壁中间段。

(2)RV定量分析

4.png

图2:3D Auto RV内膜自动识别结果:舒张末期和收缩末期RV心内膜轮廓两个短轴切面(顶部和中间)和长轴切面(底部)

在整个心动周期中机器会逐帧自动描记RV心内膜轮廓,当操作者认为自动描记心内膜轮廓不正确时,需进行手动调整。

5.png

3D Auto RV获得右室三维动态模型(左图)及右室时间-容积曲线(右

研究结果

6_副本.jpg

表2:两种技术所得参数的统计分析表

ESV:收缩末期容积;EDV:舒张末期容积;EF:射血分数

7.png

图4:两种技术所得RV容积和EF值的比较:线性回归(左)和Bland-Altman分析(右)

新ML算法所得参数与CMR相比:新ML算法对三个参数的测量存在轻微的低估,但偏差很小,而且新ML算法与CMR获得的所有参数的之间有很好的相关性[r=0.91 (EDV) 、r=0.92(ESV) 和 r=0.87(EF),P<0.01)。

8.png

表5:新ML算法的可重复性分析

9.png

表3:患者图像质量分布情况及新ML算法测量准确性分

分析讨论


✎ 该研究的主要结果:
(1)基于ML的新算法能够准确测量RV容积和EF,具有很好的可重复性;
(2)全自动化分析在32%的患者中是准确的,用时15±1秒,无须任何调整;而在其余患者中,通过手动微调可获得相当准确的结果,用时小于2分钟;
(3)全自动化分析的准确性取决于图像质量。
值得注意的是,所纳入患者是随机选择的,故全自动分析的准确性较低,根据研究结果,如提高图像质量,会使准确性进一步提高。

结 论

研究证实了基于ML新算法评估RV大小和功能的准确性和可重复性。该方法为RV快速三维定量提供了一种很好的解决方案,有助于在临床实践中广泛应用3DE来评估RV。

小编的话


长期以来,左心功能一直是人们的研究热点,而忽略了右室功能的研究。右室解剖结构的复杂性和二维超声技术的局限性,同样阻碍了右室功能评估的发展。
飞利浦3D Auto RV(三维自动右室定量)技术将TOMTEC RV分析软件与飞利浦人工智能强强联合,以动态RV模型为基础,智能识别心脏三维图像,以减少繁琐的操作步骤,一键式快速获取众多指南推荐的右心室功能参数。

10.png


阅读数: 91