冠動脈損傷の自動分類のための無監督学習アルゴリズム

科学分野:

• 医療用イメージング
• 医療における人工知能
• 心血管疾患の研究

背景:

• 冠動脈疾患 (CAD) は世界の主要な死因です.
• 冠動脈病変の正確なCTによる識別は,患者の管理に不可欠です.
• 現在,病変を特定するための監督された方法は,手作業による注釈の要求により,労力を要し,誤りやすいです.

研究 の 目的:

• CT画像による冠動脈損傷の自動分類と特徴付けのための新しい無監督クラスタリング方法を開発し評価する.
• 手動のアノテーションの必要性を排除することによって,監督されたおよび半監督されたアプローチの制限に対処します.
• 重大な冠動脈損傷の診断に 堅牢で効率的なツールを提供するためです

主な方法:

• 冠動脈CTスキャンの分析で,少なくとも30%の静脈狭窄が確認された.
• 容器のセグメンテーションに nnU-Net を使用し,その後は骨格化と特徴抽出 (統計的およびHaralickのテクスチャー) を行いました.
• 傷害分類のための次元縮小とk-means/ハイブリッドクラスタリングの主要な構成要素解析を適用し,断片流量リザーブ (FFR) に対して検証した.

主要な成果:

• 容器のセグメンテーションの精度が高い (平均ダイス係数は0.93).
• ハイブリッドクラスタリングアルゴリズムは,高性能で,カルシファイドの95. 6%,混合の88. 3%,柔らかなプラークの74. 1%の感度を示した.
• 血液動力学的に有意な病変を成功裏に特定し,FFR測定で15の病変が確認されました.

結論:

• 提案された無監督のクラスタリング方法は,手動の注釈なしで冠動脈の病変を効果的に分類します.
• この方法は,臨床環境で実用的で正確で効率的な診断アプローチの可能性を示しています.
• より大きなデータセットでの外部検証は,小さなサンプルサイズと限られたFFRで検証された病変のために,発見を確認し,臨床翻訳を容易にする必要があります.