腹腔大动脉化的自动细分和量化在侧腰部放射图中,基于基于深度学习的算法
Kexin Wang1,2, Xiaoying Wang1, Zuqiang Xi3
1Department of Radiology, Peking University First Hospital, Beijing 100034, China.
Bioengineering (Basel, Switzerland)
|October 28, 2023
概括
深度学习模型从侧腰部放射图中准确量化腹腔大动脉化 (AAC). 这种自动化方法显示了高性能,可与专家分析相提并论,用于评估AAC严重性.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 腹腔大动脉化 (AAC) 是心血管风险的重要指标.
- 准确量化AAC对于患者风险分层至关重要.
- 目前用于AAC评估的方法可能耗时且主观.
研究的目的:
- 评估深度学习算法的性能,用于自动细分和AAC的量化.
- 将深度学习模型的准确性与专家分析和临床报告进行比较.
- 评估U-Net模型在分析AAC的侧腰部X射线图中的实用性.
主要方法:
- 对1359张侧腰部放射图进行了回顾性分析.
- 开发U-Net模型来对T12-L5脊椎,主动脉和化进行细分.
- 计算AAC长度和Kauppila分数用于自动定量化.
- 模型预测与专家参考标准的比较.
主要成果:
- 该U-Net模型实现了高相关性 (0.97) 与总AAC得分的参考标准.
- 对AAC严重性的模型准确度为0.77,相比之下,临床报告的0.74.
- 在模型预测和参考标准之间观察到高一致性 (肯达尔系数0.89).
结论:
- 深度学习,特别是U-Net模型,在自动化AAC细分和量化方面表现出高性能.
- 自动化方法为AAC评估提供了一种可靠且可能更有效的方法.
- 这项技术有望通过使用常规射线图来改善心血管风险评估.
更多相关视频
08:02Author Spotlight: Enhanced Quantification of Cardiovascular Calcification Progression for Longitudinal Micro PET/CT Studies in Small Research Animals
Published on: November 15, 2024
637
06:57Author Spotlight: Advancing Cardiovascular Imaging - Introducing the Spatially Weighted Calcium Score for Early Disease Detection
Published on: September 22, 2023
1.0K
