无监督分类的多对比磁共振组织学外周动脉疾病病变使用卷积变异自编码器与隐性空间的高斯混合模型:一个技术可行性研究

科学领域:

• 生物医学成像技术 生物医学成像技术
• 人工智能在医学中的应用
• 心血管研究研究心血管研究

背景情况:

• 周围动脉疾病 (PAD) 涉及可能含有硬组织的闭塞病变,使治疗复杂化.
• 准确量化PAD病变中的组织组成对于有效的治疗策略至关重要.
• 目前用于病变特征的方法可能无法完全捕捉硬组织存在的复杂性.

研究的目的:

• 评估深度学习模型的可行性,用于在PAD病变中自动定量硬组织.
• 开发和验证一个组合变量自编码器 (VAE) 和2D卷积神经网络 (CNN) 算法.
• 分析多对比磁共振 (MR) 图像,以精确地表征组织.

主要方法:

• 从人类腿部病变中获得了高分辨率多对比度MRI图像 (T2加权,超短回声时间).
• 生成4014个伪彩色图像,使用75%用于训练使用2D CNN层的VAE.
• 采用高斯混合模型 (GMM) 将潜伏空间数据分为化和软组织类.

主要成果:

• 在VAE-CNN-GMM模型中,硬组织类 (0.82-1.00) 的分类概率很高.
• 类 (e) (异常化) 的完美分类概率为1.00.
• 类 (软组织) 需要更多的GMM成分 (n=17) 由于图像异质性,表明病变的复杂性.

结论:

• 组合的2D CNN VAE和GMM方法有效地分类含有硬组织的PAD病变.
• 自动识别病变类型可以支持临床决策.
• 这项技术可能有助于在内血管干预之前识别无法穿越的病变.