使用深度学习和多器官细分的胸部CT完全自动化的冠状动脉分数和风险分类:来自国家肺部查试验 (NLST) 的验证研究
Sudhir Rathore1,2, Ashish Gautam3, Prashant Raghav3
1Department of Cardiology, Frimley Park Hospital NHS Foundation Trust, Camberley, Surrey, UK.
International journal of cardiology. Heart & vasculature
|January 24, 2025
概括
一个深度学习模型从胸部CT扫描中准确地检测和分类冠状动脉化得分 (CACS). 这种自动化方法有助于评估高风险肺癌查患者的心脏病风险.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 心脏病学 心脏病学
背景情况:
- 低剂量CT的肺癌查可以识别高风险个体.
- 这些患者还面临冠状动脉疾病的风险增加.
- 冠状动脉化评分 (CACS) 是心血管风险的一个关键指标.
研究的目的:
- 开发和验证用于自动化CACS检测和风险分层的深度学习模型.
- 为了评估模型的性能与手动评估和地面真相相对比.
- 评估CACS自动化分析在临床实践中的潜力.
主要方法:
- 使用Mask R-CNN的神经网络用于自动心脏和大动脉细分和量化.
- 该模型对80名患者进行了训练,并对1442名患者进行了验证.
- 性能与使用专有软件的手动量化进行了比较.
主要成果:
- 自动化细分模型实现了0.91.9的高平均子得分.
- 该模型与参考标准有很强的一致性,风险类别的科恩卡帕为0.72.
- 它在78.8%的病例中正确地分类了风险组,在检测冠状动脉化时具有高灵敏度 (90%) 和特异性 (94%).
结论:
- 用于CACS分析的全自动深度学习模型显示出与参考标准的良好相关性.
- 自动化可以提高诊断能力和冠状动脉疾病的风险分层.
- 这种方法可以促进早期干预,改善患者的治疗结果,并降低医疗保健成本.
更多相关视频
08:05Lung CT Segmentation to Identify Consolidations and Ground Glass Areas for Quantitative Assesment of SARS-CoV Pneumonia
Published on: December 19, 2020
06:57Semi-Automatic Graphical Tool for Measuring Coronary Artery Spatially Weighted Calcium Score from Gated Cardiac Computed Tomography Images
Published on: September 22, 2023
