مرزبندی فیبروز میوکارد در تصاویر ام آرآی کسب شده با ماده حاجب بیماران کاردیومیوپاتی هیپرتروفیک با یادگیری عمیق

مرزبندی دقیق نواحی مبتلابه فیبروز میوکارد در تصاویر ام‌آرآی کسب‌شده با ماده حاجب نقش بسیار مهمی در پایش بیماران کاردیومیوپاتیک هیپرتروفیک و ارزیابی ریسک ابتلای آن‌ها به عوارض ناشی از این بیماری همچون مرگ ناگهانی دارد. به دلیل صرف زمان بسیار و نیاز به تخصص برای انجام این عمل، خودکار کردن این فرایند می‌تواند نقش بسزایی در تسریع و افزایش کارایی آن بگذارد. هدف از مطالعه انجام‌شده، استفاده از یک مدل مبتنی بر یادگیری عمیق برای خودکار کردن فرایند مرزبندی فیبروز میوکارد در تصاویر ام‌آرآی کسب‌شده با ماده حاجب بیماران در کاردیومیوپاتیک هیپرتروفیک بود.

در این پژوهش از پشت سر هم قرار گرفتن سه مدل مشابه برگرفته از شبکه‌ی یونت، به ترتیب برای تشخیص ناحیه هدف، رسم مرزهای میوکارد و مرزبندی دقیق نواحی مبتلابه فیبروز استفاده‌شده است. برای انجام این پژوهش، از تصاویر ام‌آرآی کسب‌شده با ماده حاجب 41 بیمار مبتلابه کاردیومیوپاتی استفاده شد که توسط دو متخصص با سابقه مرزبندی شده بودند.

مدل استفاده‌شده توانست ضریب تشابه دایس و صحت به ترتیب 74/89 و 22/98 در مرزبندی فیبروز؛ و 42/88 و 66/94 در مرزبندی ماهیچه بطن چپ دست یابد و در مقایسه با روش‌های قبلی کارایی بالاتری ارایه دهد. نتیجه‌گیری: نتایج به‌دست‌آمده از این مطالعه نشان دادند که استفاده از روش‌های یادگیری عمیق در روند رسم مرزهای فیبروز میوکارد، علاوه بر خودکارسازی این فرایند، حذف نیاز به تخصص و همچنین کاهش زمان، می‌توانند کارایی این عمل را نسبت به روش-های ارایه‌شده پیشین افزایش دهند.