重新训练深度学习算法的影响,以改善符合指导方针的大动脉直径测量在非门胸部CT CT上的影响

科学领域:

• 医疗成像医学成像
• 放射学中的人工智能
• 心血管成像 - 心血管成像

背景情况:

• 准确的胸前大动脉扩张 (TAD) 检测对于临床管理至关重要.
• 目前的深度学习 (DL) 工具在电脑心电图 (ECG) 关闭的CT中表现出色,但在非电脑心电图 (ECG) 关闭的扫描中存在局限性.
• 之前用于非心电图门CT的DL工具表现出不可靠的直径测量,特别是在大动脉根部.

研究的目的:

• 调查重新训练DL工具对改善大动脉直径测量在非ECG-gatedCT检查的影响.
• 为了提高中线配件和横截面平面放置在基于DL的大动脉分析中的稳定性.
• 评估经过重新训练的DL工具在大量非心电图胸部CT扫描的队列上的性能.

主要方法:

• 分析了995名患有非心电图胸部CT扫描 (增强对比度和非增强对比度) 的患者队列.
• 一个以前开发的DL工具被重新训练,以改善对大动脉测量的中心线和平面放置.
• 放射科医生的评估评估了经过重新训练的DL工具对直径测量和平面放置的准确性.

主要成果:

• 经过重新训练的DL工具在8948次测量中正确测量了95.5%的胸前大动脉直径.
• 与初始版本相比,在大动脉根和鼻管结处的测量中观察到显著的改善.
• 由于倾斜的平面或细分错误导致的错误测量减少到4.5%.

结论:

• 重新训练DL工具大大提高了非ECG关闭CT中大动脉直径评估的准确性.
• 改进的DL工具在对比度增强和非对比度增强的非心电图胸部CT中显示出TAD检测的高可靠性.
• 这一进步支持大动脉测量自动化DL工具的更广泛的临床应用.