腰椎X線とDXA画像による腹部大動脈カルシフィケーションスコアリングのためのディープラーニングアンサンブル

科学分野:

• 放射線科
• 心血管イメージング
• 医療における人工知能

背景:

• 腹動脈カルシフィケーション (AAC) は,心血管疾患 (CVD) の重要な予測因子です.
• AACはしばしば脊髄イメージングの偶然の発見であり,好機的なスクリーニングの機会を提供します.
• 現在の手動のAACスコアは時間がかかり,評価者間の変動性がありますが,既存の自動化された方法は頑丈で,モダリティに特異的な適応が欠けています.

研究 の 目的:

• 腰椎X線画像と二重エネルギーX線吸収測定 (DXA) 画像の両方からAACを定量化するための自動化された方法を開発し,検証する.
• 手動のAACスコアに固有の変動性を,確率スコアの分布を予測することによって対処する.
• 早期CVDリスクの特定のためのAAC評価の正確性と信頼性を向上させる.

主な方法:

• 自動化されたAAC定量化のためのコンボリューションニューラルネットワーク (CNN) モデルのアンサンブルを使用した.
• AACスコアを通常分布のランダム変数として処理し,マニュアルのアノテーションから平均とバリエーションを推定します.
• これらの分布からAACスコアをシミュレートしてスコア変動を考慮するためにCNNモデルを訓練した.
• この方法はX線とDXA画像の両方に適用されました.

主要な成果:

• 予測されたAACスコアとマニュアルスコアとの間で強い一致を達成し,X線とDXAの相関係数は0. 930でした.
• 以前に報告された自動化された方法と比較して,予測誤差の減少が実証されました.
• アンサンブルアプローチは,AACスコアを効果的に抽出し,さまざまなイメージングソースからスコア分布を予測しました.

結論:

• 提案された自動アンサンブル方法は,X線とDXA画像からAACを正確に定量化します.
• 予測されたスコア分布を通じてAACスコアに不確実性を含めると,予測の正確性が向上します.
• この方法は,より高いCVDリスクを有する個人を特定するために,好機的なAACスクリーニングのための信頼性と効率的なツールを提供します.