纤维状盖的深度学习细分在血管内光学连贯性断层扫描图像中的图像
Juhwan Lee1, Justin N Kim1, Luis A P Dallan2
1Department of Biomedical Engineering, Case Western Reserve University, Cleveland, OH, 44106, USA.
Scientific reports
|February 22, 2024
概括
一种新的深度学习方法在血管内光学连贯性断层扫描 (IVOCT) 图像中准确地细分纤维状盖 (FC),改善了薄盖纤维肌瘤 (TCFA) 脆弱性的评估,并有助于支架安置计划.
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
- 医疗器械技术 医疗器械技术
背景情况:
- 薄盖纤维肌瘤 (TCFA) 是斑块破裂和心血管事件的关键因素.
- 血管内光学相干断层扫描 (IVOCT) 对于识别和测量纤维盖 (FC) 厚度至关重要,以评估斑块脆弱性.
研究的目的:
- 开发和验证完全自动化的深度学习方法,使用IVOCT图像进行准确的FC细分.
- 评估自动化FC细分方法的性能,通用性和可重复性.
主要方法:
- 经过修改的SegResNet深度学习模型被开发用于从两个注册表中对32531张IVOCT图像进行FC细分.
- 预处理包括导线影子检测,光线细分和像素转移;应用数据增强.
- 来自大型化数据集的转移学习和形态后处理被用来提高性能.
主要成果:
- 自动化方法获得了高的子得分 (0.837 ± 0.012),超过了其他深度学习方法.
- 在交叉验证和持久测试集中观察到出色的概括性 (Dice:分别为0.846±0.011和0.816).
- FC厚度测量显示出与地面真相 (偏差:2.95 ± 20.73μm) 的良好一致性和高可重现性.
结论:
- 完全自动化的深度学习方法从IVOCT数据提供准确,可概括和可重复的FC细分.
- 这种工具可以显著帮助研究斑块脆弱性,并可能指导干预程序,如支架部署.
