影响基于CT血管学的深度学习方法对心脏病发作体积估计的可靠性的因素

科学领域:

• 神经成像是一种神经成像.
• 机器学习在医学中的应用
• 脑卒中成像 脑卒中成像

背景情况:

• 基于CT血管造影 (CTA) 的机器学习方法经常高估了心脏病核心和最终心脏病体积 (FIV).
• 了解影响这些估计可靠性的因素对于准确的中风评估至关重要.

研究的目的:

• 评估影响基于CTA的机器学习方法对心脏病发作量估计的可靠性的因素.
• 评估担保流通和CTA时间对卷积神经网络 (CNN) 估计准确性的影响.

主要方法:

• 在121名急性缺血性中风患者中使用Pearson相关系数评估了CNN估计的体积和FIV之间的相关性.
• 评估了担保状况 (Miteff系统,HIR) 和血栓切除术结果 (成功与徒劳) 对估计准确性的影响.
• 与CTP研究相比,分析了CTA获取的时间.

主要成果:

• CNN估计和FIV之间的相关性较差至中度 (r=0.09-0.50) 并没有受到抵押状况的显著影响.
• 观察到最强的相关性是在无效的血栓切除术患者 (r=0.61).
• 与FIV相比,CNN的估计显示了高估的趋势,大多数患者的CTA是在动脉中期阶段获得的.

结论:

• 担保状态不会显著影响基于CNN的心脏病发作量估计的可靠性.
• 在中动脉阶段的CTA时间似乎是导致心脏病发作体积高估的关键因素.
• 为了提高基于机器学习的心脏病核心估计的准确性,需要优化CTA协议.