快速虚拟支架胸腔内血管大动脉修复大动脉剖析使用图表深度学习的修复

科学领域:

• 医学成像和模拟技术
• 计算流体动力学的流体动力学.
• 人工智能在医学中的应用

背景情况:

• 胸内血管大动脉修复 (TEVAR) 对于大动脉剖析需要精确的手术前计划.
• 快速虚拟支架 (FVS) 旨在预测大动脉真流量 (TL) 变化,但在准确性和时间依赖性预测方面面临挑战.
• 由于难以实现可靠的预测,FVS的临床应用受到限制.

研究的目的:

• 开发一种基于深度学习的模型,用于准确且时间依赖的快速虚拟支架 (FVS).
• 为了改善TEVAR后重塑的大动脉真光线 (TL) 的预测.
• 为了提高重新手术风险的评估,并优化TEVAR的手术规划.

主要方法:

• 开发了一种深度学习模型,以预测主动脉内壁的时间依赖变形.
• 产生了两个点云,代表了内侧和外侧大动脉壁.
• 从点云构建图形,并通过图形深度网络进行处理,以预测变形.

主要成果:

• 该模型实现了对108名患者的时间依赖预测,分析了269次随访.
• 与基于规则的模型相比,深度学习方法在预测TL体积,表面积和中线长度方面的平均相对错误明显较低.
• 该模型在测量不良结果的风险因素方面表现出更高的准确性.

结论:

• 拟议的深度学习模型为TEVAR规划提供了准确的,时间依赖的FVS.
• 这种方法可以大大帮助预测重新手术的风险和优化手术策略.
• 该模型有可能提高TEVAR程序的整体有效性和安全性.