دانلود مقاله قطعه بندی چهاربعدی آئورت قفسه سینه از MRI جریان چهار بعدی
چکیده
پیش زمینه: MRI جریان چهاربعدی امکان تحلیل تغییرات همودینامیک را در آئورت به دلیل آسیب شناسی هایی مانند آئوریسم آئورت قفسه سینه (TAA) فراهم می کند. شاخص های زیستی جدید برای مدیریت شخصی TAA نیاز به تحلیل اثر تکرار ساختار سیال دارند که می توان آن را از MRI جریان چهار بعدی بدست آورد. با این حال، تولید این شاخص های زیستی نیاز به قطعه بندی چهار بعدی قبلی قفسه سینه دارد.
هدف: توسعه مدل یادگیری عمیق خودکار برای قطعه بندی آئورت به صورت چهار بعدی از MRI جریان چهار بعدی.
روش ها: قطعه بندی با مدل قطعه بندی مبتنی بر U-Net بررسی می شود که هر فریم MRI جریان چهار بعدی را بعنوان یک نمونه مستقل در نظر می گیرد. عملکرد با توجه به امتیاز تشابه (DC) و فاصله هاوسدورف (HD) اندازه گیری می شود. علاوه بر این، حداکثر و حداقل مساحت سطح در سطح آئورت صعودی اندازه گیری می شوند و با نواحی سطح بدست آمده از تصویربرداری مغناطیسی قلب مقایسه می شوند.
نتایج: عملکرد قطعه بندی برای DS، 0.90 ± 0.02 بود و میانگین HD، 9.58 ± 4.36 mm بود. ضریب همبستگی r=0.85 برای حداکثر سطح و r=0.86 برای حداقل سطح بین MRI جریان چهاربعدی و MRI قلبی بود.
نتیجه گیری: به نظر می رسد که رویکرد خودکار پیشنهادی قطعه بندی آئورت چهاربعدی از MRI جریان چهاربعدی برای کمک به استفاده گسترده تر این روش تصویربرداری در تحلیل آسیب شناسی هایی مانند TAA به اندازه کافی دقیق باشد.
1. مقدمه
آئوریسم آئورت افزایش قطر بزرگتر یا مساوی با 50% اندازه مورد انتظار آن است [1]. دیواره آئورت در نتیجه این آسیب شناسی می تواند پاره شود یا تشریح شود و پیامدهای کشنده ای ایجاد کند. شیوع کلی هر ساله آئوریسم آئورت قفسه سینه (TAA)، 5 تا 10 نفر برای هر 100000 نفر است که به طور کلی نوزدهمین علت مرگ و میر است [2]. در روش بالینی، تصمیم برای مداخله جراحی بر روی آئوریسم عمدتا با توجه به قطر و سرعت رشد آن در نظر گرفته می شود. با این حال مشاهده می شود که پارگی و تشریح می تواند در آئوریسم کوچکتر از اندازه های نشان داده شده در دستورالعمل ها رخ دهد [4،3]. بنابراین، تولید نشانگرهای جدید زیستی (شامل شکل آئورت، جریان متحرک و محدود) که امکان درمان شخصی TAA را فراهم می کنند، ضروری است. در این زمینه، MRI جریان چهار بعدی سنگ بنای ارزیابی این پارامترها است و با توجه به ویژگی های همودینامیک محلی و جهانی، روش جدیدی برای تحلیل و به ویژه تغییرات ناشی از آسیب شناسی های قلبی مانند TAA باز می کند.
علیرغم پتانسیل MRI جریان چهاربعدی برای استفاده گسترده به روش بالینی برای تحلیل جریان و محاسبه شاخص زیستی، ابتدا غلبه بر برخی چالش ها مانند قطعه بندی خودکار دیواره آئورت ضروری است. در این ادبیات در بیشتر تحقیقات تنها قطعه بندی سه بعدی بر روی تصاویر تولید شده از MRI جریان چهار بعدی پیشنهاد می شود. هدف اصلی تولید تصاویر سه بعدی افزایش کنتراست بین آئورت و این پس زمینه است. کوهلر و همکاران [5] با استفاده از مراحل زمانی تصویر مغناطیسی، تصویری با حداکثر شدت تصویر (Tmip) تولید کردند. سپس، آنها یک الگوریتم مبتنی بر برش گراف را اجرا کردند که به صورت دستی توسط یک کاربر مقداردهی اولیه می شود. به همین ترتیب، سایر تحقیقات از روش های پیش پردازش برای ایجاد یک تصویر آنژیوگرافی تشدید مغناطیسی کنتراست فاز سه بعدی (PCMRA) از MRI جریان چهاربعدی استفاده کرده اند [8-6]. ایرادی که در تولید PCMRA وجود دارد این است که اطلاعات زمانی از بین می رود و منجر به سوگیری در موقعیت آئورت می شود. سطح فعال [6] یا شبکه های عصبی سه بعدی [8،7] با استفاده از PCMRA براساس الگوریتم های قطعه بندی اجرا شده اند. اگرچه این روش ها عملکرد بالایی را بر روی تصاویر PCMRA نشان داده اند، ایجاد قطعه بندی برای کل چرخه قلبی با نتایج قابل مقایسه هنوز یک مشکل باز است.
7. نتیجه گیری
روش ارزیابی شده در این مقاله برای قطعه بندی چهار بعدی آئورت متسع از تصاویر مغناطیسی MRI جریان چهاربعدی، نتایج قابل مقایسه با نتایج بدست آمده در تحقیقات اخیر برای قطعه بندی چهاربعدی بیماران بدون آسیب شناسی را نشان داد. نتایج نشان می دهند که مدل سه بعدی با اشکال مختلف آئورت در طول چرخه قلبی مطابقت دارد. بنابراین، رویکرد پیشنهادی قطعه بندی آئورت چهاربعدی از MRI جریان چهاربعدی می تواند به استفاده گسترده MRI جریان چهاربعدی در تحلیل آسیب شناسی هایی مانند TAA کمک کند. این نتایج کاوش بیشتر نشانگرهای زیستی مرتبط با اتساع آئورت مانند تنش برشی دیواره رگ را تشدید می کنند که به دلیل چالش در قطعه بندی چهاربعدی در حال حاضر با فرض آئورت استاتیک ارزیابی شده اند.
Abstract
Background 4D flow MRI allows the analysis of hemodynamic changes in the aorta caused by pathologies such as thoracic aortic aneurysms (TAA). For personalized management of TAA, new biomarkers are required to analyze the effect of fluid structure iteration which can be obtained from 4D flow MRI. However, the generation of these biomarkers requires prior 4D segmentation of the aorta.
Objective To develop an automatic deep learning model to segment the aorta in 4D from 4D flow MRI.
Methods Segmentation is addressed with a U-Net based segmentation model that treats each 4D flow MRI frame as an independent sample. Performance is measured with respect to Dice score (DS) and Hausdorff distance (HD). In addition, the maximum and minimum surface areas at the level of the ascending aorta are measured and compared with those obtained from cine-MRI.
Results The segmentation performance was 0.90 ± 0.02 for the DS and the mean HD was 9.58 ± 4.36 mm. A correlation coefficient of r = 0.85 was obtained for the maximum surface and r = 0.86 for the minimum surface between the 4D flow MRI and cine-MRI.
Conclusion The proposed automatic approach of 4D aortic segmentation from 4D flow MRI seems to be accurate enough to contribute to the wider use of this imaging technique in the analysis of pathologies such as TAA.
1. Introduction
An aortic aneurysm is an increase in diameter greater than or equal to 50% of its expected size [1]. As a consequence of this pathology, the aortic wall can rupture or dissect, causing lethal consequences. The overall incidence per year of thoracic aortic aneurysms (TAAs) is 5 to 10 per 100,000 people, becoming the 19th leading cause of death overall [2]. In clinical practice, the decision to intervene surgically on an aneurysm is mainly taken considering its diameter and growth rate. However, it has been observed that rupture and dissection can occur in aneurysms smaller than the sizes indicated in the guidelines [3,4]. Therefore, the generation of new biomarkers (including aorta shape, movement and constrain flow) that allow a personalized treatment of TAA is essential. In this context, 4D flow MRI is a cornerstone for assessing these parameters and opens the door to a new way of analyzing by considering the local and global hemodynamic characteristics and particularly the changes produced by cardiovascular pathologies such as TAA.
Despite the potential of 4D flow MRI for a widespread use in clinical practice for flow analysis and biomarker computation, it is necessary to first overcome some challenges such as automatic segmentation of the aortic wall. In the literature, in most studies, only 3D segmentation is proposed on 3D images generated from 4D flow MRI. The main objective of generating 3D images is to enhance the contrast between the aorta and the background. Kohler et al. [5] generated a maximum intensity projection image (tMIP) using the time steps of the magnitude image. Then, they ran a graph cut-based algorithm manually initialized by a user. Similarly, other studies have applied pre-processing techniques to create a 3D phase contrast magnetic resonance angiography (PCMRA) image from 4D flow MRI [6–8]. The drawback with PCMRA generation is that the temporal information is lost, which leads to a bias in the position of the aorta. Using PCMRA, active surface [6], or 3D neural networks [7,8] based segmentation algorithms have been implemented. Although these methods have shown high performance on PCMRA images, generating the segmentation for the whole cardiac cycle with comparable results is still an open problem.
7. Conclusion
The method evaluated in this paper for 4D segmentation of dilated aorta from 4D flow MRI magnitude images showed results comparable to those obtained in recent works for 4D segmentation of subjects without this pathology. Results shows that the 3D model adapts to the various shapes of the aorta during the cardiac cycle. Thus, the proposed approach of 4D aortic segmentation from 4D flow MRI could contribute to the expanded use of 4D flow MRI in the analysis of pathologies such as TAA. The results encourage further exploration of biomarkers correlated with aortic dilatation, such as wall share stress that, due to the challenge in 4D segmentation, have currently been evaluated assuming a static aorta.
چکیده
1. مقدمه
2. داده ها
2.1. جمعیت مطالعه
2.2. معاینات MRI
3.1. تولید داده مرجع
4. روش
4.1. معماری شبکه
4.2. آموزش شبکه
4.3. ارزیابی عملکرد
5. نتایج
6. بحث
7. نتیجه گیری
منابع
Abstract
1. Introduction
2. Data
2.1. Study population
2.2. MRI examinations
3. 42 and 34 ms, respectively
3.1. Ground truth generation
4. Method
4.1. Network architecture
4.2. Training of the network
4.3. Performance evaluation
5. Results
6. Discussion
7. Conclusion
References
این محصول شامل پاورپوینت ترجمه نیز می باشد که پس از خرید قابل دانلود می باشد. پاورپوینت این مقاله حاوی 20 اسلاید و 6 فصل است. در صورت نیاز به ارائه مقاله در کنفرانس یا سمینار می توان از این فایل پاورپوینت استفاده کرد.
در این محصول، به همراه ترجمه کامل متن، یک فایل ورد ترجمه خلاصه نیز ارائه شده است. متن فارسی این مقاله در 8 صفحه (1700 کلمه) خلاصه شده و در داخل بسته قرار گرفته است.
علاوه بر ترجمه مقاله، یک فایل ورد نیز به این محصول اضافه شده است که در آن متن به صورت یک پاراگراف انگلیسی و یک پاراگراف فارسی درج شده است که باعث می شود به راحتی قادر به تشخیص ترجمه هر بخش از مقاله و مطالعه آن باشید. این فایل برای یادگیری و مطالعه همزمان متن انگلیسی و فارسی بسیار مفید می باشد.
بخش مهم دیگری از این محصول لغت نامه یا اصطلاحات تخصصی می باشد که در آن تعداد 40 عبارت و اصطلاح تخصصی استفاده شده در این مقاله در یک فایل اکسل جمع آوری شده است. در این فایل اصطلاحات انگلیسی (تک کلمه ای یا چند کلمه ای) در یک ستون و ترجمه آنها در ستون دیگر درج شده است که در صورت نیاز می توان به راحتی از این عبارات استفاده کرد.
- اصل مقاله انگلیسی با فرمت ورد (word) با قابلیت ویرایش
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه