深度学习重建冠状动脉CT血管造影在患有起源异常,支架或绕道移植的患者
Lihua Yu1, Yarong Yu1, Meiling Li1
1Department of Radiology, Shanghai General Hospital, Shanghai Jiao Tong University School of Medicine, #85 Wujin Rd, Shanghai, 200080, China.
La Radiologia medica
|July 18, 2024
概括
一个新的深度学习 (DL) 模型在复杂的情况下准确地重建冠状动脉CT血管造影 (CCTA),包括冠状动脉异常,支架和旁路移植. 这种自动化方法大大减少了处理时间,并提高了临床工作流程.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心血管成像 - 心血管成像
背景情况:
- 冠状动脉CT血管造影 (CCTA) 对于诊断冠状动脉疾病至关重要.
- 在患有复杂冠状动脉解剖的患者中,CCTA的重建可能具有挑战性,例如起源异常,支架或绕道移植.
- 手动的CCTA重建是耗时的,需要专门的专业知识.
研究的目的:
- 开发和验证用于自动化CCTA重建的深度学习 (DL) 模型.
- 评估模型在患有冠状动脉起源异常,支架或旁路移植的患者中的性能.
- 将DL模型的图像质量和效率与手动重建方法进行比较.
主要方法:
- 一个DL模型在一个大数据集 (6063名患者) 上被开发和训练,并在一个单独的数据集 (1962名患者) 上得到验证.
- 该模型在812名患者的独立外部测试组上进行了评估,包括那些有或没有冠状动脉异常或再血管化的患者.
- 图像质量使用5分尺度进行评估,并记录了成功的重建率和后处理时间,并与手动重建进行比较.
主要成果:
- DL模型在所有患者亚组中实现了高的成功重建率,包括原生血管 (100%),起源异常 (97%),支架 (100%) 和旁路移植 (76.2%).
- 与手动重建相比,DL重建在所有子组中的图像质量得分显著更高 (p < 0.001).
- 自动DL重建大大减少了后处理时间,从465秒减少到11秒 (p < 0.001).
结论:
- 开发的DL模型为复杂的冠状动脉病理提供了准确和自动化的CCTA重建.
- 通过减少后处理时间,DL方法显著提高了效率.
- 这项技术有可能增强心血管成像专家的临床工作流程.
