一种完全自动化的深度学习方法,用于冠状动脉细分和综合性表征

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:

• 冠状动脉计算机断层扫描血管造影 (CCTA) 对于评估冠状动脉疾病 (CAD) 标志物,如冠状动脉 (CAC) 和曲 (CorT) 是至关重要的.
• 对这些标记物的手动分析耗时且容易产生偏见.
• 有效的CAD风险分层需要客观和自动化的量化方法.

研究的目的:

• 开发和验证一个完全自动化的计算管道,用于对冠状动脉进行细分,并从CCTA图像中客观量化CAC和Cort.
• 为了评估冠状动脉扭曲度和状斑块负担之间的相关性.
• 在临床和人群研究中提供一个快速和客观的CAD风险评估工具.

主要方法:

• 使用双阶段U-Net架构 (2.5D和3D) 的监督学习方法用于冠状动脉光细分.
• 几何后处理提取的容器中线,用于扭曲度量化.
• 图像减弱和区域增长算法用于自动CAC检测和评分.
• 该管道在281个手动注释的CCTA数据集上进行了培训和验证.

主要成果:

• 自动化管道在冠状动脉细分方面取得了很高的准确性 (盘子得分:0.896,平均表面距离:1.027毫米).
• 冠状动脉扭曲性从近端到远端显著增加 (p < 0.001).
• 相反,邻近区域的体积得分较高,与形度得分有显著的负相关性 (p < 0.001).
• 完整的分析每位患者需要不到5分钟.

结论:

• 开发的自动化管道提供了一个快速,客观和准确的方法来量化CCTA的CAC和Cort.
• 确定了冠状动脉扭曲度和状斑块负担之间的显著反向关系.
• 该工具可以通过提供详细的形态洞察来帮助临床医生进行CAD风险评估.