从侵袭性冠状动脉成像对分数流量储备回撤曲线估计进行约束意识学习

科学领域:

• 心血管成像和干预心血管成像和干预
• 医疗人工智能 医疗人工智能
• 计算生理学计算生理学

背景情况:

• 从侵袭性冠状动脉成像中估计的分数流量储备 (FFR) 拉回曲线对于指导冠状动脉干预至关重要.
• 目前用于FFR估计的机器/深度学习方法缺乏对几何关联和物理原理的稳健整合.
• 准确的FFR评估对于优化冠状动脉疾病患者的治疗策略至关重要.

研究的目的:

• 开发和验证一种新的约束意识学习框架,以改进FFR回退曲线估计.
• 结合几何和物理约束来提高FFR预测在冠状动脉中心线的准确性.
• 利用合成数据和域调整技术来减少临床数据的依赖,弥合合成与真实数据之间的差距.

主要方法:

• 一个限制意识的学习框架,集成FFR估计的几何和物理限制.
• 利用合成数据进行模型培训,以尽量减少临床数据收集成本.
• 实施扩散驱动的测试时间数据适应方法,以调整合成和现实世界的数据分布.
• 使用合成和现实世界的数据集对382名患者在三个成像模式中的验证.

主要成果:

• 与现有的机器/深度学习和计算流体动力学模型相比,拟议的方法在狭窄冠状动脉的FFR估计中表现优异.
• 在预测的FFR值和侵入性测量的FFR之间观察到很高的一致性和相关性.
• 沿着冠状动脉中心线的FFR预测的可信性得到了验证.

结论:

• 约束意识学习框架为从侵入性冠状动脉成像中估计FFR回退曲线提供了显著的进步.
• 几何和物理知识的整合,加上数据增强策略,提高了预测准确性和临床适用性.
• 这种方法有望改善冠状动脉干预中的手术内指导和患者结果.