一个基于CT的深度学习系统,用于对大动脉根形态的自动评估,用于TAVI规划

科学领域:

• 医学成像和人工智能 医学成像和人工智能
• 心血管外科心血管外科
• 计算解剖学的计算解剖学

背景情况:

• 通过导管的大动脉植入术 (TAVI) 的准确的术前规划对于尽量减少并发症至关重要.
• 目前评估大动脉根 (AR) 解剖学的方法依赖于手动3D计算机断层扫描 (CT) 分析,缺乏标准化的自动化.
• 需要自动化解决方案来简化TAVI候选人的AR的几何分析.

研究的目的:

• 开发和验证一个完全自动化的管道用于使用深度学习对大动脉根 (AR) 的几何分析.
• 为了对AR进行细分,确定大动脉环和突结 (STJ) 轮,并量化前TAVI规划的形态生物标志物.
• 与临床专家手动测量相比,评估自动化方法的准确性和效率.

主要方法:

• 两个3D U-Net卷积神经网络 (CNN) 在310个CT扫描上进行了AR细分 (模型1) 和轮识别 (模型2) 的训练.
• 经过训练的模型被集成到AR几何分析的全自动化管道中.
• 自动化管道的结果与178个TAVI候选人的手动测量得到了验证.

主要成果:

• 这些CNN实现了高分段精度,AR的Dice平均得分为0.93,平均表面距离为0.73mm (annulus) 和0.99mm (STJ).
• 自动测量显示与手动注释有很好的一致性,对圆环,STJ和鼻腔直径的偏差最小.
• 该自动化方法在评估AR解剖学方面表现出效率和速度,与专家手动分析相当.

结论:

• 拟议的全自动化管道为量化前TAVI规划所必需的形态生物标志物提供了有效的解决方案.
• 基于人工智能的方法在TAVI候选人的程序前评估中可以节省大量的时间和成本.
• 这种工具可以提高心血管成像中大动脉根的解剖评估的准确性和效率.