基于有符号距离场的左房耳分割和统计形状建模
内容提要
该文综述深度学习在左心房分析中的应用，包括预测左心耳几何与血栓风险、自动分割左心房及量化瘢痕、追踪心房运动与应变、评估LGE-MRI图像质量以及辅助卒中诊断，多项方法Dice系数超过90%。
延伸解读
从几何到功能：LAA血栓风险的预测新途径
文章提到一项研究通过深度学习框架，仅根据患者左心耳几何形状预测内皮细胞活化潜力分布，该模型在合成和54个真实数据集上训练，平均绝对误差为0.563。这提示左心耳的形态特征可能与血栓形成风险存在关联，为无创评估提供了新思路，但预测精度和临床适用性仍需进一步验证。
左心房分割与瘢痕量化：nnU-Net的表现
文章指出，利用TopK损失函数和基于距离图的技术进行左心房自动分割和瘢痕量化，nnU-Net模型表现优越，Dice系数分别为88.98%和64.08%。这表明深度学习在左心房结构分割上已达到较高水平，但瘢痕量化的精度相对较低，可能受限于图像分辨率和瘢痕的复杂性。
LGE-MRI分割基准：双连续CNN的优越性
基于全球最大心脏LGE-MRI数据集，27个国际团队的算法评估显示，双连续CNN网络达到93.2%的Dice分数和0.7毫米平均表面距离，明显优于传统方法和单CNN流程。这一基准为未来研究提供了重要参照，也说明网络架构设计对分割精度有显著影响。
深度条件形状模型：跨模态分割的灵活性
文章介绍了一种基于深度条件形状模型的分割算法，通过学习有符号距离函数生成模态不可知的形状模型，并利用解剖标志物拟合和轻量级细化网络。在心脏左室分割中，半自动化DCSM在所有模态下Dice指数超过92%，表明该方法在跨模态医学图像分割中具有潜力，但自动化性能仍受模态差异影响。
Q&A
深度学习在左心房分析中有哪些主要应用方向？
深度学习在左心房分析中的应用包括：预测左心耳几何与血栓风险、自动分割左心房及量化瘢痕、追踪心房运动与应变、评估LGE-MRI图像质量以及辅助卒中诊断。
有哪些方法可以自动分割左心房？其性能如何？
自动分割左心房的方法包括：使用TopK损失函数和基于距离图的技术，nnU-Net模型达到Dice系数88.98%和64.08%；基于双连续CNN网络的方法在LGE-MRI分割中达到93.2%的Dice分数和0.7毫米的平均表面距离；基于深度条件形状模型（DCSM）的半自动化方法在多种模态下Dice指数超过92%。
如何利用深度学习预测左心耳血栓形成风险？
通过开发深度学习框架，仅根据患者特定的左心耳几何形状来预测与血栓形成风险相关的内皮细胞活化潜力（ECAP）分布，该模型在合成和54个真实LAA数据集上训练，平均绝对误差为0.563。
深度学习如何用于评估LGE-MRI图像质量？
通过自动化LGE-MRI图像诊断质量评估方法，包括左心房检测器和深度神经网络，利用多任务学习和对比学习提高精确度，用于左心房纤维化的可靠高质量扫描和治疗规划。
在左心房分析中，深度学习如何辅助卒中诊断？
通过使用图像增强技术和深度学习算法，针对缺乏标记的医学数据，提出了一种诊断大血管闭塞性卒中的方法，将左右半球影像进行侧面比较来预测卒中的位置。
左心房统计形状建模中使用了哪些技术？
使用了深度条件形状模型（DCSM），通过深度隐式形状表示学习一个可以为任何感兴趣解剖学生成有符号距离函数的模态不可知形状模型，然后通过解剖标志物对生成的形状进行拟合到图像上，并添加模态依赖的轻量级细化网络以捕捉隐式函数未表示的任何细节。
