计算机断层图像上的A型大动脉剖析的自动细分使用深度学习方法.

科学领域:

• 医学成像分析分析 医学成像分析
• 医疗保健中的人工智能
• 心血管疾病的研究研究.

背景情况:

• 甲型大动脉解剖 (TAAD) 是一种涉及上升大动脉的危急状况.
• 精确的TAAD细分对于临床评估和治疗规划至关重要.
• 目前的细分方法在复杂的大动脉病理方面可能缺乏精度.

研究的目的:

• 应用和评估nnU-Net框架用于对比增强CT图像中的TAAD细分.
• 使用二维和三维nnU-Net架构量化TAAD的形态特征.
• 为了比较2D和3DnnU-Net模型在TAAD细分和特征量化中的性能.

主要方法:

• 使用 2D 和 3D nnU-Net 架构进行真光线 (TL),虚光线 (FL) 和内膜的细分.
• 使用子和交叉损失函数进行细分.
• 在24名TAAD患者的CT数据集上进行了四次交叉验证.
• 使用准确度,精度,回忆,IOU,DSC和豪斯多夫距离来评估性能.

主要成果:

• 3D nnU-Net在TAAD CT细分方面表现出卓越的性能,在TL和FL方面达到高达99.9%的准确性.
• 对于TL和FL的子相似系数 (DSC) 达到88.42%和87.10%的3D nnU-Net.
• 与2D nnU-Net (4.35-9.48%) 相比,3D nnU-Net在FL面积量化中的相对误差较低 (3.89-6.80%).

结论:

• nnU-Net架构显示出自动化TAAD细分和量化方面的巨大潜力.
• 这种人工智能驱动的方法可以协助TAAD的快速诊断和手术规划.
• 该方法支持随后对大动脉的生物机械模拟.