卡迪安:一种新的计算方法,用于实时检测血管内超声波的终端-透析框架,使用双向注意力网络

科学领域:

• 心血管成像 - 心血管成像
• 医疗人工智能 医疗人工智能
• 生物医学工程 生物医学工程

背景情况:

• 使用血管内超声波 (IVUS) 精确量化冠状动脉尺寸受到心脏周期变化的挑战.
• 在IVUS研究中,对于可靠的体积分析和干预指导来说,终端腹痛 (ED) 框架检测至关重要.
• 手动ED-frame识别是耗时的,容易引起观察者之间的变化.

研究的目的:

• 开发和验证一种新的,基于神经网络的自动化方法,用于在IVUS序列中精确地检测终端透析框架.
• 提高IVUS研究中体积分析的准确性和可重复性.
• 为专家分析师提供强大的替代手动ED框架识别.

主要方法:

• 开发了一个神经网络框架,集成了运动编码器,双向注意力循环网络 (BARNet) 和时空/时空编码器.
• 该模型使用同步与IVUS数据获得的心电图 (ECG) 信号进行训练.
• 该系统捕获心脏相位运动和导管旋转运动,用于框架分析.

主要成果:

• 拟议的自动化方法在检测主要冠状动脉 (71.9% LAD,67.8% LCx,69.9% RCA) 跨越ED框架时,在66.7毫秒内对ECG的耐受性方面取得了高准确性.
• 神经网络方法与两个专家人类分析师的估计相比,表现优越.
• 该方法在识别ED框架方面被证明是准确和完全可重复的.

结论:

• 开发的神经网络方法提供了一个准确和可重复的解决方案,用于IVUS成像中终端透析框架检测.
• 建议采用这种自动化方法,而不是手动识别专家,以提高IVUS分析的一致性和效率.
• 这些发现支持整合这种人工智能驱动的工具,以改善临床决策和研究标准化.