Zeitschrift für Elektrotechnik und Elektronik

U-Net-Modell zur Identifizierung und Segmentierung des Endokards in der cMR-Bildgebung

Faiza Al Kindi 

Zweck : Verwendung des U-Net-Modells zur Erkennung und Segmentierung der inneren Endokardwand des linken Ventrikels zur Berechnung der linksventrikulären Auswurffraktion (LVEF) anhand der kardialen Magnetresonanztomographie.

Hintergrund: Die kardiale Magnetresonanztomographie (cMR) wird routinemäßig verwendet, um die Struktur und Funktion des Herzens durch quantitative Messungen zu bewerten. Die linksventrikuläre Ejektionsfraktion (LVEF) ist einer der wichtigsten Parameter für die LV-Funktion. Sie ist ein wichtiger prognostischer Indikator für kardiovaskuläre Ergebnisse und wird klinisch verwendet, um die Indikation für mehrere therapeutische Eingriffe zu bestimmen. Die genaue Segmentierung des linken Ventrikels ist ein wesentlicher Schritt zur Berechnung der LVEF. Die derzeitige Praxis in unserem Zentrum besteht darin, die innere Kontur des linken Ventrikels in Roh-cMR-Bildern manuell auszuwählen und abzugrenzen. Dies ist ein zeitaufwändiger Prozess und anfällig für benutzerbedingte Verzerrungen und damit für falsch-positive und falsch-negative Ergebnisse.

Methode – Das U-Net Deep Learning-Modell wurde speziell für die biomedizinische Segmentierung entwickelt und hat sich mit weniger Trainingsproben als effektiv erwiesen. Daher haben wir das U-Net-Modell eingesetzt, um ein genaues automatisches Erkennungs- und Segmentierungstool für den linken Ventrikel zu implementieren und zu bewerten. Das U-Net-Modell wurde anhand unserer lokalen klinischen Daten trainiert und bewertet, die aus 4050 Kurzachsenbildern von Patienten mit normaler LVEF und normalen anatomischen Herzstrukturen bestehen. Zwei erfahrene Radiologen haben die manuellen Abgrenzungen vorgenommen. Die Leistung des Modells wurde anhand mehrerer statistischer Parameter bewertet, nämlich Genauigkeit, Präzision, Trefferquote und Schnittmenge über Vereinigung (IoU). Ergebnisse – Mit einem Testsatz von 810 Bildern konnte das U-Net-Modell das Vorhandensein und Fehlen des linken Ventrikels in den cMR-Kurzachsenbildern aller Patienten erkennen. Darüber hinaus erreichte die Methode eine hohe Leistung bei der automatischen Erkennung und Segmentierung des Endokards mit einem Rückruf von 91,86 %, einer Präzision von 97,16 %, einer Genauigkeit von 99,82 % und einer Schnittmenge über Vereinigung (IoU) von 83,65 %. Fazit: Das U-Net-Modell erreichte eine gute Leistung bei der Segmentierung des linken Ventrikels mit hoher Erkennungsgenauigkeit in weniger als einer Minute für jeden Scan. Diese Ergebnisse sind überzeugend genug, um eine vollständige Beurteilung einer größeren Patientenpopulation zu unterstützen. Schlüsselwörter: MRT, Herzfunktion, Auswurffraktion, künstliche Intelligenz, Deep Learning, neuronales Netzwerk, U-Net-Modell, Segmentierung, Erkennung.

Einschränkungen: 1. Die Segmentierungen wurden manuell von zwei Radiologen durchgeführt. 2. Begrenzte Stichprobengröße. Genehmigung durch Ethikkommission: Ja.

Finanzierung dieser Studie: Zuschuss des Ministeriums für Verkehr, Kommunikation und Informationstechnologie.