自动细分腹腔大动脉动脉瘤从时间分辨率的3D超声波图像使用深度学习

科学领域:

• 医疗成像医学成像
• 心血管外科心血管外科
• 人工智能的人工智能

背景情况:

• 腹腔大动脉瘤 (AAA) 是一种危险的大动脉扩张,需要进行风险评估.
• 目前使用二维超声波进行基于直径的监测具有局限性.
• 三维和机械AAA参数显示出更好的破裂风险预测的希望.

研究的目的:

• 开发和验证一种深度学习 (DL) 方法,用于从3D+t超声波 (US) 图像中自动细分AAA.
• 为了比较DL细分的性能与传统的非DL方法.
• 评估改进对AAA监测的细分的潜力.

主要方法:

• 使用来自500名患者的2495张3D+t US图像进行深度学习模型的训练.
• 细分面具最初是使用传统的非DL算法生成的.
• DL模型与CT扫描和读者评分进行了验证,评估了诸如子得分和豪斯多夫距离等指标.

主要成果:

• 所有开发的DL模型在子得分,准确性和灵敏度方面都超过了非DL细分.
• 没有数据增强的全图像分辨率DL模型实现了最高的Dice中位数得分和灵敏度.
• 在一个独立的测试组中,DL模型显示了差分区分得分的显著降低 (8%对18%).

结论:

• 成功开发了一种强大的DL算法,用于自动从3D+t US图像进行AAA细分.
• 与传统的细分方法相比,DL方法提供了更高的性能.
• 这一进步有助于更准确的AAA破裂风险评估.