使用深度学习在非对比性心电图 (ECG) 关闭的CT图像中自动量化胸前前动脉的量化

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
• 放射学 放射学是一门学科.

背景情况:

• 来自心脏CT的胸前大动脉 (TAC) 评估有助于预测心血管风险.
• 准确的TAC量化对于患者风险分层至关重要.
• 目前的方法可能缺乏TAC检测的完全自动化.

研究的目的:

• 开发一种完全自动化的系统,用于使用心脏CT检测TAC.
• 评价系统在将患者分为四个 TAC 风险类别方面的表现.
• 为了利用深度学习来加强心血管风险评估.

主要方法:

• 使用在多平面CT图像上训练的三个UNets的组合进行大动脉细分.
• 用三种组合的卷积神经网络 (CNN) 在直角补丁上对化病变进行分类.
• 基于1190个非增强型心电图心脏CT研究数据集的验证.

主要成果:

• 成功的胸前大动脉细分,平均体积差异为0.3±11.7毫升,Dice系数为0.947.
• 对87%的患者进行了病变候选人和风险类别的准确分类 (Kappa = 0.826,ICC = 0.9915).
• 在细分和风险分层任务中表现出高绩效.

结论:

• 结合UNets和CNN的自动化系统可以准确地估计心脏CT的TAC.
• 这种方法可以实现精确的胸前大动脉细分和化病变的分类.
• 开发的系统显示了通过自动化TAC分析改善心血管风险预测的巨大潜力.