Segmentación de Arterias Coronarias y Detección de Estenosis en Angiografía Coronaria por Rayos X Basada en...

Área de la Ciencia:

• Cardiología
• Inteligencia Artificial
• Imagen Médica

Sus antecedentes:

• El aprendizaje profundo (AP) muestra potencial para automatizar la detección de arterias coronarias en angiografía coronaria invasiva (ACI).
• La segmentación precisa y la detección de estenosis son cruciales para el diagnóstico de la enfermedad de las arterias coronarias.

Objetivo del estudio:

• Desarrollar y validar modelos de aprendizaje profundo para la segmentación de arterias coronarias y la detección de estenosis significativas en ACI.
• Comparar el rendimiento de estos modelos de aprendizaje profundo con la variabilidad experta.

Principales métodos:

• Recopilación retrospectiva de estudios de ACI de dos centros médicos importantes.
• Segmentación manual de arterias coronarias y estenosis por expertos.
• Entrenamiento de modelos de AP utilizando conjuntos de datos de un solo centro y de múltiples centros.
• Validación externa y comparación con el rendimiento de expertos.

Principales resultados:

• Se utilizó un conjunto de datos combinado de 10,573 imágenes de ACI para el entrenamiento del modelo.
• El modelo de aprendizaje profundo entrenado con datos de ambos centros logró el mayor rendimiento de segmentación (coeficiente Dice: 0.86).
• La tasa de detección de estenosis (0.67) por el modelo de aprendizaje profundo fue comparable al acuerdo entre expertos (0.65).

Conclusiones:

• Los modelos de AP demuestran un rendimiento a nivel de experto en la segmentación de arterias coronarias en ACI.
• Las herramientas impulsadas por IA pueden detectar eficazmente estenosis significativas en las principales arterias coronarias.
• Estos hallazgos respaldan la integración del AP en los flujos de trabajo de imagen cardíaca de rutina.