Segmentation of the Left Ventricle and Its Pathologies for Acute Myocardial Infarction After Reperfusion in LGE - CMR Images.
研究背景
急性心肌梗死（AMI）后心肌再灌注治疗虽能减少损伤，但微血管障碍（MVO）发生率高，影响患者预后。从晚期钆增强心脏磁共振成像（LGE - CMR）中准确分割左心室（LV）及其病理组织意义重大，但因缺乏数据集、病灶多样、类别不平衡等问题，任务面临挑战。
方法速览
研究提出LVPSegNet渐进式深度学习模型，采用自适应区域提取、样本增强、自教学课程学习和双感受野网络等技术。具体包括左心室解剖分割（LAS）模块粗略分割，心肌ROI指定（MRD）模块提取ROI，ROI扰动（RPB）模块多样化训练样本，自教学课程学习（STCL）模块逐步训练模型。
主要发现
- 精确分割表现：LVPSegNet在内部和外部数据集上表现出色，几何指标（Dice相似系数、Hausdorff距离）和临床指标（心肌梗死百分比、微血管障碍百分比）均优于其他模型。
- 不同病灶情况：所有模型在中间切片MI、心肌和腔室分割表现佳，基底切片MVO分割好；病灶越大分割越易，LVPSegNet在小病灶上表现更优。
- 外部数据集验证：在两个外部数据集上，LVPSegNet的平均DSC均显著优于其他模型。
- 模型组件有效性：去除自适应区域提取、样本增强、自教学课程学习、双感受野网络模块，模型平均DSC均下降。
总结展望
本研究创新性在于发布LGE - LVP基准数据集，提出LVPSegNet模型及自教学课程学习策略。但存在性别和标签偏差、数据域偏移及计算成本较高等局限。未来可进一步优化模型，提升其在不同病例和数据集上的表现。