Cuantificación automática de la placa coronaria basada en el aprendizaje profundo: primera demostración con detector...

Área de la Ciencia:

• Imágenes cardiovasculares
• La inteligencia artificial en la medicina
• Radiología

Sus antecedentes:

• El diagnóstico de la enfermedad arterial coronaria se basa en la cuantificación precisa de la placa.
• La angiografía CT de ultra alta resolución (UHR CCTA) ofrece una visualización detallada de la placa.
• Las herramientas de aprendizaje profundo (DL) son prometedoras para automatizar el análisis de imágenes complejas.

Objetivo del estudio:

• Evaluar la viabilidad y la reproducibilidad de una nueva herramienta DL para la cuantificación de la placa coronaria.
• Evaluar el impacto de la resolución temporal en la precisión de la cuantificación de la placa.
• Para validar un flujo de trabajo automatizado para el análisis de placas UHR CCTA.

Principales métodos:

• Análisis retrospectivo de 45 exploraciones UHR CCTA.
• Reconstrucción de conjuntos de datos con una resolución temporal de 66 ms y 125 ms.
• Aplicación de un algoritmo DL para la segmentación automática de las arterias coronarias y la cuantificación de la placa.

Principales resultados:

• El algoritmo DL demostró una alta reproducibilidad y no requirió corrección manual.
• Resolución temporal inferior (125 ms) sobreestimó sistemáticamente el volumen de la placa y el diámetro de la estenosis en comparación con 66 ms.
• Se observaron diferencias significativas en el volumen de placa (P<0,05) y estenosis (P<0,01) entre las resoluciones.

Conclusiones:

• La nueva herramienta DL es robusta y reproducible para la cuantificación de la placa coronaria en UHR CCTA.
• La resolución temporal influye significativamente en la cuantificación de la placa, con una resolución más baja que conduce a una sobreestimación.
• Los protocolos de imagen estandarizados son cruciales para el análisis de placa confiable basado en DL.