机器学习和统计形状建模方法用于评估大动脉置换前后的血管形态
Yousef Aljassam1, Froso Sophocleous1, Jan L Bruse2
1Department of Translational Health Sciences, Bristol Medical School, University of Bristol, Bristol BS2 8HW, UK.
Journal of clinical medicine
|August 10, 2024
概括
统计形状建模和等级集群分析了大动脉门修复患者形态. 罗斯手术组显示出不同的大动脉形状,聚集在一起,表明了独特的手术前后特征.
科学领域:
- 心血管外科心血管外科
- 医学成像分析 医学成像分析
- 生物医学工程 生物医学工程
背景情况:
- 统计形状建模 (SSM) 分析形态,并识别形状变化.
- 层次聚类根据形状特征识别子组.
- 大动脉修复 (AVR) 涉及复杂的患者形态,需要详细分析.
研究的目的:
- 在接受AVR的患者中,使用SSM和等级集群来评估大动脉形态.
- 在接受了Ozaki,Ross和门节约手术的患者中确定不同的子组.
- 评估不同AVR亚组的手术前和手术后形态变化.
主要方法:
- 从CT和心脏MRI扫描中重建3D大动脉模型 (n=47手术前,n=35手术后).
- 应用SSM和等级聚类到上升性大动脉和整个大动脉模型.
- 在不同外科手术子组之间对形态特征的比较分析.
主要成果:
- 罗斯手术小组表现出独特的大动脉形态,包括延长的上升大动脉和更宽的大动脉门.
- 层次聚类显示罗斯组聚集在一起,表明小组内部变化率低.
- 在手术前观察到集群距离的显著差异 (p=0.003上升,p=0.016整个主动脉),但在术后没有观察到.
结论:
- 在AVR之前和之后评估大动脉形态时,SSM和层次聚类是可行的.
- 这个框架可以帮助手术前的外科决定.
- 它可以在术后确定与较差临床结果相关的形态学子组.
