心肌铁过载（MIO）被认为是铁负荷患者预后的最关键因素，是许多情况下患者护理的基本组成部分，包括血红蛋白病、骨髓发育不良和造血干细胞移植。由于心肌梗死无法从血清铁蛋白水平预测，且心脏活检与心肌梗死存在显著风险，因此磁共振成像（MRI）是一种非侵入性的心肌梗死评估方法。铁沉积增加了磁场的非均质性，导致心肌组织T1、T2和T2*弛豫值降低，导致MRI信号下降，与铁积累成正比。虽然T1和T2弛豫测量可用于心脏铁的估计，但MRI T2*是公认的MIO评估的临床工具。

T2*多回波图像序列的MIO评估通常是通过专用软件将MR信号衰减与适当的模型拟合来完成的。测量的T2*值取决于测量区域的选择（室间隔中区还是全心肌）和所采用的信号衰减模型。评估的T2*值用于根据发生心脏病和早期死亡的风险对患者进行分类。T2*图像采集和图像分析技术的质量控制是一个问题，因为在许多中心，成像体积很小。因此，自动分类方法可以作为“第二阅读者意见”或替代外部服务的诊断。机器学习是一种强大的自动数据分类工具，可用于铁过载测量、分期和早期诊断，包括从T2*多生态图像中进行肝铁含量分期。机器学习被证明可以提高心血管磁共振成像的效率、质量、图像分析和解释。特别是，深度学习被认为是左心室（LV）分割最有效的方法。据我们所知，目前还没有提出基于深度学习的方法来直接从MR图像中分类MIO。

最近，发表在European Radiology 上的一篇文章建立了一种深度学习模型，用于从T2*级多回波MR图像中对心肌铁过载（MIO）进行监督分类。

本项回顾性研究分析了496例地中海贫血重型患者（女性285例，占57%）的823张心脏T2*MR图像，标记为MIO水平（正常：T2* > 20 ms，中度：10≤T2*≤20 ms，重度：T2* < 10 ms）。采用5倍交叉验证对两个用于多层（MS-HippoNet）和单层（SS-HippoNet）分析的二维卷积神经网络（CNN）进行训练。使用微平均值、多级准确度和单级准确度、灵敏度和特异性评估性能。将CNN的表现与放射科医师对20%患者的观察一致进行比较。采用协议间Kappa检验评估患者分类的一致性。

在测试集的165张图像中，MS-和SS-HippoNet的多类准确率分别为0.885和0.836。外部测试集分析证实了网络的性能（多类准确率分别为0.827和0.793,29例患者来自CHMMOTv1数据库）。自动分类与真实分类的一致性较好(MS: κ = 0.771；SS: κ = 0.614)，与在测试集上评估的观察者间一致性（MS: κ = 0.872, SS: κ = 0.907）相当。

图 交叉验证分析混淆矩阵(MS-HippoNet:(A)；SS-HippoNet: (B))

本项研究表明，研究所建立的神经网络能较好地从多回波、亮血和T2*图像上进行MIO水平的分类。

原文出处：

Vincenzo Positano,Antonella Meloni,Lisa Anita De Santi,et al.Convolutional neural networks for automatic MR classification of myocardial iron overload in thalassemia major patients.DOI:10.1007/s00330-024-11245-x

Tags： European Radiology:卷积神经网络在地中海贫血患者心肌铁负荷自动MR分类中的应用