完全自动化的冠状动脉量化在电心图带有门的非对比心脏计算机断层扫描上,使用深度学习和新的心脏标记方法进行深度学习

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 冠状动脉 (CAC) 评分对于心血管风险分层至关重要.
• 需要准确和自动化的CAC量化来提高效率和一致性.
• 目前的方法可能缺乏船舶特定评分的精度.

研究的目的:

• 开发一种人工智能 (AI) 模型,用于完全自动化和准确的CAC量化.
• 在心电图 (ECG) 导入的心脏计算机断层扫描 (CCT) 图像上利用深度学习 (DL).
• 为了实现精确的总和船舶特定的CAC评分.

主要方法:

• 使用560个封闭的CCT图像 (包括合成数据) 训练了一种AI模型,使用一种新的心脏标记方法.
• 在409张门式CCT图像的内部队列上验证了AI模型.
• 在来自斯坦福大学的400张CCT图像的外部队列上测试了AI模型.

主要成果:

• 在Cohen的kappa为0.89 (验证) 和0.95 (测试) 的CAC总分数分类中获得了优异的整体准确性.
• 在测试队列中,AI和地面真相之间的个人总和船舶特定CAC得分显示出最小的差异.
• 人工智能模型的性能超过了以前的研究基准.

结论:

• 开发的心脏标记方法显著改善了自动化CAC量化.
• 人工智能模型在封闭的CCT上提供了准确的总和船舶特定的CAC评分.
• 这种自动化方法提高了心血管风险评估的精度和效率.