基于计算机断层扫描的腹腔大动脉动脉瘤自动测量,使用语义细分与主动学习的语义细分
Taehun Kim1,2, Sungchul On1,3, Jun Gyo Gwon4
1Department of Convergence Medicine, Asan Medical Institute of Convergence Science and Technology, Asan Medical Center, University of Ulsan College of Medicine, 88, Olympic-ro 43-gil, Songpa-gu, Seoul, 05505, Republic of Korea.
Scientific reports
|April 18, 2024
概括
这项研究引入了一种自动化工作流程,用于使用人工智能驱动的细分来精确测量腹腔大动脉动脉瘤,显著减少分析时间并提高内血管修复选择的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 血管外科 血管外科
背景情况:
- 准确的腹腔大动脉瘤 (AAA) 测量对于成功的内血管动脉瘤修复 (EVAR) 是至关重要的.
- 传统的基于成像的测量是耗时的,容易出现不准确的情况.
- 改进的AAA测量可以预防与EVAR相关的并发症.
研究的目的:
- 开发和验证AAA细分和测量的自动化工作流程.
- 将自动化工作流程的效率和准确性与传统方法进行比较.
- 在AAA细分中评估各种深度学习模型的性能.
主要方法:
- 开发了一个自动化工作流程,将语义细分与主动学习 (AL) 和计算机辅助设计 (CAD) 集成在一起.
- 包括UNETR,SwinUNETR和nnU-Net (2D,3D U-Net,ensemble,级联) 在内的深度学习模型进行了培训和评估.
- 300名患者的CT扫描被用于细分,在96名患者中自动测量了7个临床地标.
主要成果:
- 3D U-Net模型在AL阶段5的语义细分中实现了最高的子相似系数 (DSC).
- 在95%的豪斯多夫距离 (HD95) 中,SwinUNETR表现出卓越的性能.
- 自动化细分显著减少了分析时间 (例如,大动脉:9.51分钟与手动相比),并提供了准确的测量.
结论:
- 与传统方法相比,开发的自动化工作流提高了AAA测量的效率和准确性.
- 人工智能驱动的语义细分和测量为EVAR中的术前规划提供了一个有前途的解决方案.
- 该研究强调了深度学习在改善AAA评估和患者结果方面的潜力.
关键词:
腹腔大动脉动脉瘤 腹腔大动脉动脉瘤积极学习是指积极学习.应用程序编程界面的应用程序编程界面.计算机辅助设计是指计算机辅助设计.深度学习是一种深度学习.内血管腹部修复支架移植 血管内血管腹部修复支架移植更多相关视频
09:32Time-Resolved, Dynamic Computed Tomography Angiography for Characterization of Aortic Endoleaks and Treatment Guidance via 2D-3D Fusion-Imaging
Published on: December 9, 2021
3.0K
06:57Author Spotlight: Advancing Cardiovascular Imaging - Introducing the Spatially Weighted Calcium Score for Early Disease Detection
Published on: September 22, 2023
981
