优化冠状动脉计算机断层扫描血管学使用基于新型深度学习算法
H J H Dreesen1,2, C Stroszczynski3, M M Lell4
1Department of Radiology, University Regensburg, Franz-Josef-Strauss Allee 11, 93053, Regensburg, Germany. Hendrik.dreesen@web.de.
Journal of imaging informatics in medicine
|March 4, 2024
概括
深度学习运动校正算法 (MCA) 提高了64排多探测器CT冠状动脉计算机断层扫描 (CCTA) 扫描中的图像质量. 这提高了慢性冠状动脉综合征 (CCS) 的诊断准确度,通过减少运动器件和心率依赖.
科学领域:
- 医疗成像医学成像
- 心脏病学 心脏病学
- 人工智能的人工智能
背景情况:
- 冠状动脉计算机断层扫描血管造影 (CCTA) 对于诊断慢性冠状动脉综合征 (CCS) 在低至中等前测试概率的患者中至关重要.
- 64行多探测器CT (64-MDCT) 是最低要求,但由于时间分辨率和z覆盖范围有限,因此受到运动工件的损害.
- 这些文物可能会损害诊断的准确性,需要改进成像技术.
研究的目的:
- 评估基于深度学习的运动校正算法 (MCA) 以消除64MDCT CCTA中的运动工件.
- 评估MCA对图像质量 (IQ) 的影响及其与患者因素的相关性.
- 确定MCA是否可以提高64-MDCT对CCS的诊断有效性.
主要方法:
- 分析了124个64-MDCT CCTA检查与运动文物.
- 使用常规算法 (CA) 和MCA.图像被重建.
- 图像质量使用5分利克尔特尺度 (每段,每动脉,每患者) 进行评估,并与心率 (HR),BMI,年龄和性别相关.
主要成果:
- MCA显著改善了每位患者的智商,降低了5.26%的不足智商,并增加了9.66%的足够智商.
- 每动脉分析显示右冠状动脉 (RCA) 的实质性改善,不足的智商下降了18.18%,足够的智商增加了27.27%.
- MCA 减少了 RCA 中的总文物,并减少了 HR 对图像质量的影响.
结论:
- 深度学习的MCA通过减少运动工件,有效地提高了64MDCT CCTA中的图像质量.
- MCA减轻了心率对图像质量的影响,提高了诊断可靠性.
- 这项技术增加了64-MDCT用于诊断慢性冠状动脉综合征的有效性.
