小編發現不少朋友對于AI從心臟MR圖像中收集重要的LV體積數據 這方面的信息都比較感興趣，小編就針對 AI從心臟MR圖像中收集重要的LV體積數據 整理了一些相關方面的信息 在這里分享給大家。

根據磁共振成像發表的一項新研究，機器學習(ML)算法可以評估心臟MR(CMR)圖像并提供整個患者心動周期中左心室(LV)體積的準確測量值。

這組作者補充說，收縮末期和舒張末期左室容積通常是在CMR檢查期間計算得出的，但整個心動周期期間并未監測數據。Goyal等。希望AI技術的進步能夠改變這種做法，并以其他方式改善護理水平。

“迄今為止，大多數來自CMR圖像的心臟參數都是通過手動測量獲得的，包括依賴心內膜邊界描記的腔室容積，”芝加哥醫學大學的Neha Goyal及其同事寫道。“自動識別心腔，然后進行準確的測量而不需要耗時和依賴經驗的用戶輸入，將是臨床心臟成像的主要發展。”

研究人員出于各種原因探索了來自21位接受臨床CMR檢查的患者的數據。雖然AI算法提供了CMR電影圖像的LV時間-體積曲線，但經驗豐富的閱讀器會手動計算相同的測量值。然后比較由算法和經驗豐富的專家確定的左室容積和排出/填充參數。

總體而言，作者發現時間-體積曲線“在兩種技術的大小和形狀上相似。” 就像人們可能期望的那樣，使用AI技術可以更加有效地收集必要的數據。使用AI生成時間-體積曲線大約需要每位患者2.5分鐘，而手動完成則大約需要43分鐘。

作者寫道：“這些發現表明，在不久的將來，將ML納入CMR LV大小和功能的CMR分析的日常實踐中可能是現實的期望。”

Goyal的團隊確實注意到，在解釋CMR圖像時，成功訓練AI算法比其他一些成像數據更具挑戰性。

他們寫道：“與通常需要對靜態圖像進行解釋的胸部X射線照相甚至是計算機斷層攝影不同，CMR圖像是動態的，”他們寫道。“因此，將人工智能和機器學習納入CMR一直滯后。盡管如此，最近十年見證了為實現ML算法在CMR圖像分析中的潛力而做出的巨大努力。”