在全心冠状动脉MRA上显著冠状动脉狭窄的计算机分类方法,使用具有注意力机制的3D卷积神经网络进行全心冠状动脉MRA

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:

• 检测冠状动脉狭窄对于心血管疾病管理至关重要.
• 全心冠状动脉磁共振血管学 (WHCMRA) 提供非侵入性可视化.
• 精确的WHCMRA对狭窄的自动分析仍然是一个挑战.

研究的目的:

• 开发和评估一个具有注意力机制的3D卷积神经网络 (3D-CNN),用于分类显著的冠状动脉狭窄.
• 评估拟议的计算机化方法在WHCMRA图像上的性能.
• 改善WHCMRA对临床决策的解释.

主要方法:

• 利用了来自75名患者的WHCMRA图像的951个段的数据集,与侵入性冠状动脉血管学 (ICA) 进行了验证.
• 开发了一个3D-CNN模型,其中包含冠状动脉和注释点分析的特征提取器和注意力机制.
• 提取了21x21x21的感兴趣的voxel体积 (VOI),以注释为中心的分段进行分类.

主要成果:

• 使用五倍交叉验证,实现了0.875的分类准确度,0.905的灵敏度,0.873的特异性和0.944的AUROC.
• 在区分显著的冠状动脉狭窄与非静脉狭窄细分方面表现出高性能.
• 注意力机制有效地加权了相关特征,以改善分类.

结论:

• 拟议的带有注意力机制的3D-CNN提供了一种高度准确的计算机化方法,用于检测WHCMRA上的显著冠状动脉狭窄.
• 这种自动化方法显示出有很大的潜力,可以帮助解释WHCMRA图像.
• 这些发现表明,它对改善冠状动脉疾病评估的诊断能力产生了重大影响.