相关实验视频
Updated: Jun 20, 2026

08:51
A New Murine Model of Endovascular Aortic Aneurysm Repair
Published on: July 7, 2013
14.4K
通过深度学习通过基于非对比CTCT的深度学习进行内血管大动脉修复后检测Endoleak
Qingqi Yang1, Jinglang Hu2, Yingqi Luo3
1Department of Vascular Surgery, The First Affiliated Hospital, Sun Yat-Sen University, Guangzhou, China.
Cardiovascular and interventional radiology
|July 8, 2024
概括
一个新的深度学习模型使用非对比CT扫描精确检测血管内动脉修复 (EVAR) 后的内脏泄漏. 这种人工智能工具在识别EVAR后内脏泄漏时具有很高的灵敏度,从而改善了患者监测.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 血管外科 血管外科
背景情况:
- 内血管大动脉修复 (EVAR) 是对腹部大动脉动脉瘤的常见治疗方法.
- 后EVAR内泄漏检测对于监测治疗成功和预防并发症至关重要.
- 目前的检测方法通常依赖于对比度增强的CT,这带有风险和局限性.
研究的目的:
- 开发和验证一个深度学习 (DL) 模型来检测EVAR后的内泄漏.
- 用非对比计算断层扫描 (CT) 成像来评估模型的性能.
- 为了研究放射性特征用于内泄漏特征.
主要方法:
- 这是一项对接受EVAR治疗的245名患者的回顾性研究.
- 从非对比度CT扫描中提取放射性特征.
- 训练DL模型根据预测的细分来细分和检测内泄漏.
主要成果:
- 这项研究包括85名内皮漏病患者和82名没有内皮漏病患者.
- 患有内泄症的患者显示CT值更高,分散度更大.
- DL模型实现了0.951的AUC,子相似系数为0.814,灵敏度为0.877,特异性为0.884.
结论:
- 使用非对比CT的深度学习模型可以有效地检测EVAR后的内泄.
- 该模型在内漏检测方面显示出高灵敏度和特异性.
- 这种方法为常规内泄漏监测提供了一个有希望的替代方案.
更多相关视频
06:59Improved Registration of 3D CT Angiography with X-ray Fluoroscopy for Image Fusion During Transcatheter Aortic Valve Implantation
Published on: June 3, 2018
10.6K
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