使用基于深度学习的运动校正算法,改善CCTA的图像质量和诊断性能在患有挑战性心率疾病的患者中
Ziwei Wang1,2, Li Bao1, Sihua Zhong3
1Department of Radiology, West China Hospital, Sichuan University, Chengdu, China.
Current medical imaging
|September 11, 2024
概括
深度学习运动校正算法 (MCA) 显著提高了冠状动脉计算机断层扫描血管学 (CCTA) 图像质量和诊断性能,在具有挑战性心率 (HR) 和心率变化 (HRV) 的患者中. 这可以改善血管可视化和狭窄检测,而辐射暴露低.
科学领域:
- 医疗成像医学成像
- 心血管成像 - 心血管成像
- 人工智能在医学中的应用
背景情况:
- 心率升高 (HR) 和心率变化 (HRV) 是冠状动脉计算机断层扫描血管学 (CCTA) 运动器件的主要原因.
- 这些文物降低了图像质量,并可能阻碍冠状动脉疾病的准确诊断.
- 运动器件在CCTA中构成了重大挑战,特别是在影响心率的生理条件的患者中.
研究的目的:
- 评估基于深度学习的运动校正算法 (MCA) 在缓解CCTA中的运动工件方面的有效性.
- 评估MCA对具有挑战性HR条件的患者客观和主观图像质量的影响.
- 确定MCA对CCTA诊断性能的影响,以检测显著的冠状动脉狭窄.
主要方法:
- 对240名患有HR和HRV升高的患者的CCTA扫描进行了回顾性分析.
- 用MCA和没有MCA的图像重建.
- 使用信号与噪声比率 (SNR) 和对比与噪声比率 (CNR) 的客观图像质量评估.
- 放射科医生使用5分尺度对图像质量进行主观评估.
- 针对侵袭性冠状动脉血管学,对显著狭窄 (≥50%) 的诊断性能进行评估.
主要成果:
- MCA显著改善了主观图像质量,使容器的可解释性从89.9%提高到98.8% (p < 0.001).
- 诊断性能与MCA显著提高:基于患者的AUC从0.58提高到0.83 (p = 0.04),基于血管的AUC从0.81提高到0.92 (p < 0.001).
- 使用MCA,基于船只的精度从79.4%提高到91.2% (p = 0.01);在客观图像质量上没有发现显著差异.
结论:
- 基于深度学习的MCA有效地减少了CCTA中对于具有挑战性HR条件的患者的运动工件.
- 在不影响客观图像质量的情况下,MCA显著提高了主观图像质量和诊断性能.
- 该算法可实现高质量的CCTA成像,并提高了低辐射暴露的诊断准确性.
