基于近红外光谱-血管内超声波的新型深度学习方法,用于精确的冠状动脉计算机断层扫描斑块量化和表征

科学领域:

• 心血管成像 - 心血管成像
• 人工智能在医学中的应用
• 医学图像分析 医学图像分析

背景情况:

• 与血管内成像相比,冠状动脉计算机断层扫描血管学 (CCTA) 在评估冠状动脉斑块形态和负担方面存在局限性.
• 准确的斑块表征对于冠状动脉疾病的风险分层和治疗决策至关重要.

研究的目的:

• 在CCTA中开发和验证深度学习 (DL) 方法,用于精确的斑块量化和表征.
• 将DL方法的性能与传统的CCTA分析和近红外光谱-血管内超声波 (NIRS-IVUS) 估计进行比较.

主要方法:

• 在138个血管中使用CCTA和NIRS-IVUS成像的匹配横截面训练了一个卷积神经网络.
• 在48个容器中评估了DL模型的性能,将其对斑块负担和病变检测的估计与NIRS-IVUS和专家CCTA分析进行了比较.
• 通过DL方法,在0.3秒内在CCTA上实现了快速船舶细分.

主要成果:

• 与传统的CCTA分析相比,DL方法提供了较为精确的估计,比起传统的CCTA分析 (p < 0.001),对动脉瘤总体体积和动脉瘤体积的百分比更准确 (p < 0.001).
• DL表现出优异的病变检测 (AUC:0.77对比0.67,p<0.001) 和更准确的最小光线面积,最大斑块负担和性负担的量化.
• 在多个定量斑块参数上,DL方法显著优于传统方法.

结论:

• 开发的DL方法允许使用CCTA数据快速准确地评估冠状动脉斑块形态.
• 这种DL方法,与共同注册的NIRS-IVUS和CCTA数据进行训练,优于冠状动脉斑块评估的专家分析师.
• 这些发现表明,在心血管疾病管理的非侵入性斑块表征方面取得了重大进展.