在冠状动脉评分CT中使用深度学习自动识别冠状动脉支架,使用深度学习
Yura Ahn1, Gyu-Jun Jeong1, Dabee Lee2
1Department of Radiology and Research Institute of Radiology, University of Ulsan College of Medicine, Asan Medical Center, 88 Olympic-ro 43-gil, Songpa-gu, Seoul, 05505, Republic of Korea.
人工智能算法StentFilter现在可以自动识别冠状动脉 (CAC) 中的冠状动脉支架,通过CT扫描得分. 这种自动化通过消除这些患者的手动排除,简化了心血管风险分层工作流程.
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:
- 冠状动脉 (CAC) 评分CT对于心血管风险分层至关重要.
- 冠状动脉支架患者经常被排除在CAC评分之外,因为手动处理具有挑战性.
- 目前的CAC评分工作流程在很大程度上是自动化的,除了支架识别.
研究的目的:
- 开发和评估一种深度学习算法 (StentFilter),用于在CACCT扫描中自动识别冠状动脉支架.
- 通过消除对带支架的患者的手动干预来简化CAC评分工作流程.
- 提高先前冠状动脉支架的患者心血管风险评估的效率.
主要方法:
- 一个深度学习模型,StentFilter,是使用108个CCC扫描和标记的支架开发的.
- 通过使用2063 CAC扫描与显著的化,但没有支架,改进了假阳性减少.
- 在内部和外部多中心数据集上验证了性能,计算了每个患者的敏感性和错误阳性率.
主要成果:
- 在检测冠状动脉支架方面,StentFilter实现了98.8% (511/517) 的高个患者灵敏度.
- 总体假阳性率为0.022 (20/918),假阳性被正确归因于密集的化.
- 该算法在各种数据集中准确地区分了冠状动脉支架与冠状动脉化.
结论:
- 使用StentFilter算法自动化支架过可以有效地集成到CAC评分工作流程中.
- 这种人工智能驱动的方法大大简化了这一过程,消除了对支架患者手动排除的需要.
- StentFilter提供了一个有前途的解决方案,用于在支架患者群体中有效和准确地分层心血管风险.
更多相关视频
06:57Author Spotlight: Advancing Cardiovascular Imaging - Introducing the Spatially Weighted Calcium Score for Early Disease Detection
Published on: September 22, 2023
06:59Improved Registration of 3D CT Angiography with X-ray Fluoroscopy for Image Fusion During Transcatheter Aortic Valve Implantation
Published on: June 3, 2018
相关概念视频
Imaging Studies for Cardiovascular System VI: Calcium -Scoring CT
Imaging Studies for Cardiovascular System V: CT
Acute Coronary Syndrome III: Diagnostic studies
