使用深度学习对中间左前下垂冠状动脉损伤血管图像进行非侵入式的分数流量储备估计
Farhad Arefinia1, Mehrad Aria2, Reza Rabiei3
1Department of Health Information Technology and Management, School of Allied Medical Sciences, Shahid Beheshti University of Medical Sciences, Tehran, Iran.
Scientific reports
|January 20, 2024
概括
一种深度学习模型从冠状动脉造影中准确估计了分数流量储备 (FFR),有助于诊断冠状动脉疾病. 这种非侵入性方法显示出治疗患者的显著临床潜力.
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
- 计算生理学计算生理学
背景情况:
- 分流储备 (FFR) 对于评估冠状动脉狭窄的生理意义至关重要.
- 目前的FFR评估往往需要侵入性程序,带来风险和增加医疗保健成本.
- 对于改善患者管理,非侵入性的FFR估计方法是非常可取的.
研究的目的:
- 开发和验证一个端到端的深度学习模型,用于从冠状动脉血管图像中估计FFR.
- 将左前垂下动脉狭窄 (50-70%) 分类为FFR>80或FFR ≤80类别.
- 评估各种预训练的卷积神经网络 (CNN) 对此任务的性能.
主要方法:
- 利用了来自41名患者的3625张血管图像.
- 雇佣了九个预先训练有素的CNN (DenseNet121,InceptionResNetV2,VGG16,VGG19,ResNet50V2,Xception,MobileNetV3Large,DenseNet201,DenseNet169) 进行特征提取.这些CNN的功能包括:
- 根据其卓越的性能指标,选择DenseNet169作为最佳性能网络.
主要成果:
- 在DenseNet169模型中,曲线下的面积 (AUC) 为0.81.
- 性能指标包括精度 (0.81),灵敏度 (0.86),特异性 (0.75),精度 (0.82),以及F1得分 (0.84).
- 与其他评估的CNN相比,DenseNet169的表现更高.
结论:
- 拟议的深度学习方法可以从血管图数据中进行非侵入性和一致的FFR估计.
- 这种方法在诊断和治疗冠状动脉疾病方面具有显著的临床潜力.
- 通过人工智能将血管学中的解剖信息与生理数据相结合,可以增强心血管疾病管理.
