在血管内极化敏感光学连贯性断层扫描中对解剖层和成像器件的细分,使用主治医生和边界枢机度损失的临床医生

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
• 生物医学光学 生物医学光学

背景情况:

• 血管内超声 (IVUS) 和光学连贯性断层扫描 (OCT) 对于评估冠状动脉疾病 (CAD) 和指导穿皮冠状动脉干预 (PCI) 是至关重要的.
• 传统的OCT提供了地下微观结构图像,但缺乏关于组织组成和层分化的详细信息,特别是在复杂的斑块形态中.

研究的目的:

• 开发和验证一个卷积神经网络 (CNN) 模型,利用偏振敏感光学连贯断层扫描 (PS-OCT) 数据来增强冠状动脉壁层的细分.
• 提高光膜,内膜,介质和斑块元件的细分精度,即使在被斑块或导线阴影所遮蔽的具有挑战性的区域.

主要方法:

• 设计了一种新的CNN模型,结合了两个新的损失术语:边界枢机度和主治医生,以优化细分性能.
• 该模型利用来自PS-OCT的额外偏振对比信息,与传统的OCT数据一起,用于对解剖层的多类分类.
• 用传统的OCT数据对现有方法进行了性能评估.

主要成果:

• 拟议的基于PS-OCT的CNN模型成功地细分了光层,内膜和媒体层,包括通过纤维状斑块准确地划出媒体边界.
• 该模型在估计脂质丰富的斑块阴影背后的外界介质边界方面表现出优异的性能,与传统的OCT方法相比.
• 现有的方法,主要是对光层进行细分,显示了地下层分析的局限性,特别是在患病区域.

结论:

• 开发的多类分类模型有效地利用PS-OCT数据对所有冠状动脉壁层进行全面细分.
• 解剖层的精确细分有助于改善支架大小,并使斑块极化特性的自动表征成为可能.
• 这种方法有可能推动对冠状动脉动脉瘤的自然史和临床意义的研究.