在侵入性冠状动脉血管学中深度学习主要血管细分的选择性合并方法
Jeeone Park1, Jihoon Kweon2, Young In Kim1
1Department of Medical Science, Asan Medical Institute of Convergence Science and Technology, Asan Medical Center, University of Ulsan College of Medicine, Seoul, South Korea.
Medical physics
|June 13, 2023
概括
基于等级的组合方法增强了侵入性冠状动脉血管学 (ICA) 的深度学习细分,以改善冠状动脉量化. 这些技术减少了错误,在临床实践中实现了更强大的实时定量冠状动脉分析 (QCA).
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心血管医学 心血管医学
背景情况:
- 侵入性冠状动脉血管学 (ICA) 对于诊断冠状动脉疾病至关重要.
- 目前的定量冠状动脉分析 (QCA) 依赖于需要手动校正的半自动工具.
- 这限制了QCA在临床环境中的效率和自动化.
研究的目的:
- 开发基于等级的选择组合方法,用于ICA的深度学习细分.
- 为了提高细分的准确性和减少形态错误在自动化冠状动脉量化.
- 为了提高完全自动化QCA的稳定性,使用ICA.
主要方法:
- 提出了两种选择性合奏方法,将加权合奏与质量估计相结合.
- 根据面具形态或子相似系数 (DSC) 来排列五个基本模型的细分结果.
- 使用大型内部数据集 (7426张图像) 和外部数据集 (556张图像) 验证的方法.
主要成果:
- 实现了更好的细分性能,DSC高达93.07%和本地DSC高达93.93%.
- 在狭窄的区域中将面具断开降至最低,为2.10%,优于单个模型.
- 在外部验证中表现出的稳定性与快速推断时间 (约. 1/6秒的时间).
结论:
- 成功地减少了形态错误,并提高了自动冠状动脉细分的稳定性.
- 拟议的方法显示了实时QCA在常规临床环境中的更好的适用性.
- 使用ICA.允许更有效,更准确的诊断和干预指导.


