一种增强的深度学习方法,用于量化心表脂肪组织的量化
Ke-Xin Tang1,2, Xiao-Bo Liao3, Ling-Qing Yuan2
1Department of Radiology, the Second Xiangya Hospital, Central South University, No. 139 Middle Renmin Road, Furong District, Changsha, 410000, China.
Scientific reports
|October 22, 2024
概括
这项研究引入了一种增强的深度学习方法,用于从冠状动脉计算机断层扫描血管学 (CCTA) 扫描中准确量化心上脂肪组织 (EAT) 体积. 改进的技术整合了解剖学信息,实现了与手动测量对心血管疾病风险评估的高度一致.
科学领域:
- 心脏病学 心脏病学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 心脂肪组织 (EAT) 体积是导致心血管疾病 (CVD) 进展的重要因素.
- 手动量化EAT是耗时且容易出现错误的.
- 现有的EAT量化深度学习方法往往缺乏可解释性和解剖学上下文.
研究的目的:
- 开发和验证一种增强的深度学习方法,用于使用冠状动脉计算机断层扫描血管学 (CCTA) 进行自动EAT体积量化.
- 通过整合形态信息来提高EAT量化准确性和可解释性.
主要方法:
- 开发了一种新的深度学习方法,包括数据驱动的技术和特定的心周形态信息.
- 该方法根据CT衰减值在预测心周内量化了EAT体积.
- 该研究包括108名患者,随机分配数据到培训 (n=60),验证 (n=8) 和测试 (n=40) 集.
主要成果:
- 增强的深度学习方法与专家手动量化表现出强烈一致.
- 子中位数得分系数 (DSC) 为2D切片的0.916和3D卷的0.896.
- 对于EAT体积测量,观察到一个优秀的相关性 (0.980,p<0.001) 和低偏差 (-2.39cm3).
结论:
- 整合心周的解剖结构可以增强基于深度学习的自动EAT量化.
- 拟议的方法显示了EAT体积评估的高准确性和可靠性.
- 这些发现表明,在心血管疾病风险分层中,临床应用具有重大潜力.
