通过深度学习,从斯坦福B型大动脉剖析患者的CT血管扫描中提取大动脉外表面
Risto Kesävuori1, Tuomas Kaseva2, Eero Salli2
1Department of Radiology, HUS Medical Imaging Center, Helsinki University Hospital and University of Helsinki, FI-00290, Helsinki, Finland. risto.kesavuori@hus.fi.
European radiology experimental
|June 28, 2023
概括
深度学习模型在计算机断层扫描血管学扫描中准确地细分了B型大动脉解剖患者的外侧大动脉表面. 这些卷积神经网络 (CNN) 显著加快了用于研究和临床应用的基础真相数据的创建速度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心血管成像 - 心血管成像
背景情况:
- 准确的大动脉尺寸测量对于管理大动脉剖析至关重要.
- 目前的指导方针建议在测量中包括大动脉壁.
- 自动化外部大动脉表面提取对于精确的分析至关重要.
研究的目的:
- 评估深度学习方法 (2D和3D CNNs) 用于在斯坦福B型大动脉剖析 (TBAD) 患者的CT血管造影 (CTA) 扫描中对外大动脉表面进行细分.
- 与手动和半自动技术相比,评估这些自动细分方法的速度和准确性.
主要方法:
- 从TBAD患者的206个CTA扫描进行了回顾性分析.
- 使用手动和半自动方法,在3D CNNs的帮助下,对整个大动脉 (WA) 进行细分.
- 培训和测试2D和3DCNN用于自动化WA细分.
- 使用规范表面子 (NSD) 和子系数得分 (DCS) 的评估.
主要成果:
- 两种2D和3D CNN都实现了高的子系数得分 (DCS) 0.96.
- 2D CNN在正常化表面子 (NSD) 得分 (0.92对0.90) 中显示出一个统计学上显著的优势.
- 半自动细分显著减少了细分时间,从每次扫描大约1小时到0.5小时.
结论:
- 深度学习,特别是CNN,可以有效地提取TBAD患者的外主动脉表面.
- 虽然准确性很高,但在NSD中可能需要进一步改进才能广泛采用临床.
- 在CNN的协助下,半自动细分大大加速了基准真相数据的生成.
