期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于磁共振深度学习图像重建算法的心肌延迟强化在未识别心肌梗死中的应用
1
作者 陆雪芳 闫玉辰 +3 位作者 龚威 权光南 刘薇音 查云飞 《磁共振成像》 CAS CSCD 北大核心 2024年第10期8-14,49,共8页
目的探讨基于磁共振深度学习重建(deep learning reconstruction,DLR)算法的心肌延迟强化(late gadolinium enhancement,LGE)提高临床未识别心肌梗死(unrecognized myocardial infarction,UMI)患者识别率的诊断价值。材料与方法前瞻性纳... 目的探讨基于磁共振深度学习重建(deep learning reconstruction,DLR)算法的心肌延迟强化(late gadolinium enhancement,LGE)提高临床未识别心肌梗死(unrecognized myocardial infarction,UMI)患者识别率的诊断价值。材料与方法前瞻性纳入2022年4月至2023年8月于我院就诊的可疑UMI并完成心脏磁共振(cardiac magnetic resonance,CMR)检查的患者98例,分析常规重建的原始LGE(original LGE,LGE_(O))及通过DLR算法获得的LGE(DLR LGE,LGE_(DL))短轴位图像。测量两组图像心肌的信噪比(signal-to-noise ratio,SNR)、对比噪声比(contrast-to-noise ratio,CNR)、标准差(standard deviation,SD)。采用2~5倍标准差(2SD~5SD)法以及全宽半高(full width at half maximum,FWHM)法进行强化面积百分比(percentage of enhanced area,P_(area))分析。评估心肌整体各测量值的组内及组间一致性。以临床诊断UMI为金标准计算LGE_(DL)和LGE_(O)的诊断效能。结果SNR_(DL)和CNR_(DL)均较SNR_(O)和CNR_(O)提高超过2倍(P<0.001)。LGE_(DL)序列心肌、强化灶及背景噪声SDDL较SD_(O)均显著减低(P均<0.001)。不同阈值法分析,P_(area-DL)较P_(area-O)序列升高,以2SD法为著(P<0.001),但FWHM法中差异无统计学意义(P>0.05)。整体心肌SNR、CNR、不同阈值法P_(area)测量值组内及组间一致性好[组内相关系数(intra-class correlation coefficient,ICC)>0.600,P均<0.001]。受试者工作特征(receiver operating characteristic,R_(O)C)曲线分析显示,每种SD方法在检测UMI方面都表现出良好的诊断效果,其中以5SD P_(area-DL)法最优(P<0.001)。结论DLR能显著提高LGE的图像质量。当LGE_(DL)和LGE_(O)的信号阈值与参考平均值(signal threshold versus reference mean,STRM)分别≥4SD和≥3SD时,对UMI的诊断效果较好。 展开更多
关键词 未识别心肌梗死 诊断效能 深度学习重建 钆延迟强化 磁共振成像
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部