基于IVUS的机器学习细分评估冠状动脉尺寸和气球大小测量的精度
Mitsuaki Matsumura1,2, Gary S Mintz1, Tomotaka Dohi2
1Clinical Trial Center, Cardiovascular Research Foundation, New York, New York, USA.
JACC. Advances
|June 28, 2024
概括
机器学习 (ML) 准确地对穿皮冠状动脉干预的血管内超声波 (IVUS) 图像进行细分. 这种自动化方法有助于选择合适的气球尺寸并确认支架扩张,改善程序结果.
科学领域:
- 心脏病学 心脏病学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 精确的血管内超声波 (IVUS) 测量对于优化皮肤冠状动脉干预 (PCI) 非常重要.
- 精确的设备尺寸和支架扩张确认依赖于可靠的IVUS数据.
- 目前用于IVUS分析的方法可能耗时,需要专家解释.
研究的目的:
- 为了评估基于机器学习 (ML) 的冠状动脉维度自动细分的准确性,从IVUS图像.
- 评估ML的有效性,以确定PCI适合的气球大小.
- 将ML细分性能与专家分析进行比较.
主要方法:
- 开发了一种ML模型,用于使用大型数据集 (来自234名患者的8076张图像) 分段60MHz的IVUS图像.
- 利用专家分析作为培训和验证的黄金标准.
- 独立测试了ML模型的性能在一个单独的数据集上 (来自92名患者的437张图像) 对于光膜面积,急性支架面积和气球尺寸选择.
主要成果:
- ML细分显示了与专家测量灯光 (0.992) 和容器 (0.993) 面积的高相关性.
- ML和专家之间的协议率为光膜面积的85.5%,急性支架面积的97.0%.
- 在考虑容器和光圈直径时,ML在选择合适的气球尺寸时实现了92.4%的准确性.
结论:
- 基于ML的IVUS图像细分提供了与专家分析可比的准确测量.
- ML模型有效地协助选择适合PCI的气球尺寸,达到90%以上的准确性.
- 自动化ML细分为提高IVUS引导PCI的效率和准确性提供了一个有前途的工具.
更多相关视频
08:35Oxygenation-sensitive Cardiac MRI with Vasoactive Breathing Maneuvers for the Non-invasive Assessment of Coronary Microvascular Dysfunction
Published on: August 17, 2022
2.4K
06:18Intravascular Ultrasound Image-Based Finite Element Modeling Approach for Quantifying In Vivo Mechanical Properties of Human Coronary Artery
Published on: December 6, 2024
486
