深度学习模型用于带有时间一致性的血管内超声波图像细分
Hyeonmin Kim1,2, June-Goo Lee3, Gyu-Jun Jeong4
1Pohang University of Science and Technology (POSTECH), Seoul, Korea.
The international journal of cardiovascular imaging
|August 27, 2024
概括
一个新的深度学习模型精确地分隔了血管内超声波 (IVUS) 的冠状动脉图像,显示出卓越的性能和改善心血管事件预测和临床决策的潜力.
科学领域:
- 心血管成像 - 心血管成像
- 人工智能在医学中的应用
- 医学图像分析 医学图像分析
背景情况:
- 血管内超声波 (IVUS) 对于评估冠状动脉疾病至关重要.
- 精确地划分光膜和外部弹性膜 (EEM) 对于定量分析至关重要.
- 目前的手动细分可能会耗费大量时间,并且会有变化.
研究的目的:
- 开发和验证用于IVUS图像自动细分的深度学习模型.
- 根据专家分析评估模型的性能及其对心血管事件的临床影响.
主要方法:
- 开发了一个深度学习模型,使用1240个IVUS回调 (191,407) 来进行光和EEM细分.
- 在独立数据集上验证模型,评估框架和船级性能.
- 通过将模型衍生的指标与3年心血管事件相关联来评估临床效用.
主要成果:
- 在测试组中,对于光线 (0.966 ± 0.025) 和EM (0.982 ± 0.017) 实现了高的子相似系数 (DSC).
- 即使在图像减弱和与专家测量有很强的一致性 (类内系数>0.94),也表现出了出色的性能.
- 模型衍生的指标预测了3年的心脏事件,包括心脏死亡和目标血管再血管化.
结论:
- 深度学习模型从IVUS图像中提供了冠状动脉几何形状的准确和一致的划分.
- 该模型显示了在心血管保健中节省成本和增强临床决策的潜力.
- 这种人工智能工具可能会改善对心血管不良事件的预测.
