从使用深度神经网络的4D冠状动脉CT进行PET心肌流量储备估计

科学领域:

• 心血管成像 - 心血管成像
• 医学图像分析 医学图像分析
• 计算心脏病学 计算心脏病学

背景情况:

• 心肌流量储备 (MFR) 对于评估心肌缺血性疾病的严重程度至关重要.
• 目前用于MFR测量的NH3-正子辐射断层扫描 (NH3-PET) 是侵入性的和耗时的.
• 需要使用非侵入性的MFR估计方法来减少患者和临床医生的负担.

研究的目的:

• 开发和评估使用冠状动脉计算机断层扫描血管学 (CCTA) 图像处理估计MFR的非侵入性方法.
• 为了比较使用冠状动脉流量指数 (CFI) 与多重线性回归 (MLR) 的MFR估计的性能与使用深度学习 (FCN和CNN) 的垂直时间 (VT) 成像.

主要方法:

• 提出了两种MFR估计方法: 1) 使用MLR的CFI和 2) 使用完全连接网络 (FCN) 和卷积神经网络 (CNN) 的VT图像分析.
• 通过使用不同冠状动脉 (LAD,LCX,RCA) 的皮尔森相关系数来比较估计的MFR和观察到的值来评估性能.

主要成果:

• 该MLR方法显示了皮尔森相关系数LAD=0.31,LCX=0.19,和RCA=-0.21.
• 通过FCN方法得出LAD=0.19,LCX=-0.37和RCA=0.23.3的相关性.
• 在CNN方法中,LAD=0.34,LCX=0.44,RCA=0.37的相关性显示出优异的性能,超过了基于CFI的方法.

结论:

• 基于VT图像的深度学习方法,特别是CNN,与基于CFI的MLR方法相比,在MFR估计方面表现优越.
• 使用来自CCTA的VT图像来估计MFR是NH3-PET的一个有希望的,非侵入性的替代方案.
• 这种方法对于心血管疾病的早期诊断和管理具有重要的临床意义.