用于小鼠心力衰竭模型稳健表型分析的自动化心脏 MRI 分析

射血分数保留的心力衰竭（HFpEF）是一种复杂的年龄相关性心血管疾病，治疗选择有限，部分原因在于对其潜在机制理解不足、缺乏稳健的临床前模型以及诊断工具的特异性有限。临床前研究中传统的心脏磁共振成像（MRI）方案和分析较为耗时，且手动分析方法容易产生较高的观察者间变异性（观察者间左心室 (LV) 射血分数的相关系数为 0.79）。为了加速并规范表型分析，我们优化了一套适用于高通量的综合非对比增强心脏 MRI 方案，可在约 7 分钟内采集 12 层短轴切片堆栈。这种时间效率使我们能够增加额外的序列，包括用于心肌灌注成像的电影动脉自旋标记（ASL）和 dobutamine 负荷试验，从而实现全面的心脏检查。我们开发了一种利用 3D 卷积神经网络（CNN）的深度学习方法，用于心脏功能的全自动分割和定量。我们在两种 HFpEF 多因素小鼠模型中验证了这一综合流程，模型结合了饮食诱导肥胖（DIO）或高脂饮食（HFD）以及高血压诱导剂 deoxycorticosterone pivalate (DOCP)。我们的方法展现了出色的技术敏感性，与对照组相比，在 DIO（p = 0.02）和 DIO + DOCP（p = 0.03）组中均检测到心肌灌注显著降低，同时伴有细微的舒张功能异常，即使在射血分数未出现明显变化的情况下也是如此。与专家共识读片相比，该 CNN 表现出高准确性和可重复性，分割的平均 Dice 相似系数大于 0.9，关键左心室功能参数（容积和质量）的组内相关系数（ICC）超过 0.95。这一优化方案和自动化分析流程为临床前心血管研究提供了有价值的工具，能够高效、可靠地评估心脏重构，并有助于更深入地理解 HFpEF 的进展。