PHNet: A Pulmonary Hypertension Detection Network Based on Cine Cardiac Magnetic Resonance Images Using a Hybrid Strategy of Adaptive Triplet and Binary Cross-Entropy Losses.
研究背景
肺动脉高压（PH）是致命肺血管病，可能引发心力衰竭。当前标准诊断法是右心导管术（RHC），但它是侵入性技术，多用于重症患者，导致PH早期诊断延迟。非侵入性方法对早期检测PH，尤其是轻度PH很重要，然而现有非侵入性方法在检测轻度PH时仍面临挑战。
方法速览
- 心区提取模块：用预训练的2D nnU‑Net模型自动提取心脏ROI，让神经网络专注PH诊断相关区域。
- 多中心预处理步骤：对不同中心的cine CMR图像标准化，减少数据变异。
- 混合策略分类模块：基于DenseNet121架构，引入HSATBCL策略，结合自适应三元组损失和二元交叉熵损失，优化区分特征学习。
主要发现
- 检测准确性提升：PHNet检测轻度PH时，平均错误率比先进模型降24.5%，比手动方法降41.3%。
- 多数据集表现出色：内部验证集AUC值0.964±0.009，外部测试集AUC值0.828，优于现有方法和模型。
- 损失策略有效：HSATBCL提高模型区分能力，DL模型错误率平均降10.9%。
- 最佳诊断切片：中室水平第5切片图像AUC值0.964±0.009，提供最佳诊断信息。
- 捕捉动态特征：通过Grad‑CAM分析，PHNet关注右心室和室间隔动态变化。
- 鲁棒性和泛化强：在多中心数据集表现优于现有模型，能适应异质图像。
总结展望
PHNet是端到端自动检测框架，结合HSATBCL策略，提高轻度PH检测准确性，有良好泛化能力。不过研究有局限性，样本量有限，地理和人口分布有限，模型复杂度高。未来需收集更多不同地区和种族数据，改进模型泛化能力。