使用自动化深度学习主动脉区细分模型进行急性无并发型B主动脉剖析的体积度分析
Jonathan R Krebs1, Muhammad Imran2, Brian Fazzone1
1Department of Surgery, Division of Vascular Surgery, University of Florida, Gainesville, FL.
Journal of vascular surgery
|June 8, 2024
概括
一种新的机器学习模型在急性无并发型B型大动脉剖析 (auTBAD) 中准确地分割大动脉区域,使得基于大动脉生长率的体积比较成为可能. 该工具有助于了解疾病的进展,并为临床决策提供信息.
科学领域:
- 医学成像分析分析 医学成像分析
- 机器学习在心血管疾病中的应用
- 大动脉剖析的研究研究.
背景情况:
- 机器学习 (ML) 在3D医学图像分析中表现有前途,但尚未应用于急性无复杂的B型大动脉剖析 (auTBAD),使用血管外科学会 (SVS) 和胸腔外科医生学会 (STS) 定义的大动脉区域.
- 之前的研究缺乏基于增长率的自动化方法来进行auTBAD中大动脉区域的体积比较.
研究的目的:
- 开发和验证一个训练有素的,自动的ML模型,用于对auTBAD患者的SVS/STS定义的大动脉区域进行细分.
- 为了方便在表现出不同大动脉生长率的auTBAD患者之间进行大动脉区域的体积比较.
主要方法:
- 从59名auTBAD患者的CT血管造影 (CTA) 扫描结果的回顾性分析.
- 分层分为快速生长 (≥5毫米/年) 和没有/缓慢生长 (<5毫米/年) 的组.
- 使用开源软件开发和交叉验证ML细分模型,计算大动脉区域体积.
主要成果:
- ML模型实现了0.73的平均子系数,在5 (0.84) 和9 (0.91) 区表现最好.
- 在第4区 (13.9%) 和第5区 (13.4%) 观察到最大的相对体积增加.
- 在快速增长组和缓慢增长组之间,在基线人口统计,并发症或基线区域体积方面没有发现显著差异.
结论:
- 在auTBAD中成功开发了SVS定义的大动脉区域的自动深度学习细分模型.
- 该模型与手动细分有很好的一致性,特别是在5和9区,为临床使用提供了一个框架.
- 初步发现表明,快速增长和缓慢增长的auTBAD队列之间在基线大动脉区域体积上没有差异.
