坐标感知三维神经网络用于CT血管学中下肢动脉狭窄症的分类
Chenwei Zhou1, Shengnan Cao2, Maolin Li3
1Department of Radiology, Songjiang Hospital Affiliated to Shanghai Jiao Tong University School of Medicine, Shanghai, China.
Heliyon
|August 5, 2024
概括
一个新的深度学习模型从CT血管造影 (CTA) 扫描中准确地分类下肢动脉狭窄. 这种人工智能工具可以帮助放射科医生高精度地诊断下肢动脉疾病 (LEAD).
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心血管疾病 心血管疾病
背景情况:
- 下肢计算机断层扫描血管图 (CTA) 是诊断下肢动脉疾病 (LEAD) 的关键非侵入性方法.
- 精确评估动脉狭窄程度对于有效的患者管理至关重要.
- 现有的方法可能需要大量的放射科医生解释时间.
研究的目的:
- 开发和评估一个自动化分类模型,用于评估下肢动脉狭窄.
- 为了提高诊断准确度,利用一个坐标感知3D深度神经网络.
- 提供一种工具,帮助放射科医生解释下肢CTA扫描.
主要方法:
- 对277名接受下肢CTA的患者进行了回顾性研究.
- 放射科医生对动脉段进行注释,并对12450个3D贴片进行细分.
- 实现一个坐标感知三维神经网络用于狭窄症分类.
- 使用精度,灵敏度,特异性,F1得分和ROC曲线进行性能评估.
主要成果:
- 该模型实现了高精度 (93.08%以上膝盖,91.70%以下膝盖) 和F1得分 (91.96%以上膝盖,89.67%以下膝盖).
- 膝盖以上动脉的ROC曲线下的面积 (AUC) 达到99.15%,膝盖以下动脉达到98.2%.
- 拟议的模型在准确性方面表现明显优于3D和2D基线模型.
结论:
- 成功开发了一种深度学习模型,用于在CTA上自动评估下肢动脉狭窄.
- 坐标感知3D神经网络显示出作为放射科医生的辅助工具的重大前景.
- 这种人工智能驱动的方法可以提高LEAD诊断的效率和准确性.
