基于深度学习的动脉结石的自动量化在对比增强冠状动脉CT血管学上

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
• 放射学 放射学是一门学科.

背景情况:

• 对大动脉的化量化对于评估大动脉狭窄的严重程度和心血管风险至关重要.
• 目前的方法通常依赖于非对比CT,这可能并不总是可用或最佳的.
• 准确的分数指导着大动脉狭窄患者的治疗决策.

研究的目的:

• 评估一种基于深度学习的自动化方法,用于使用对比增强冠状动脉CT血管学量化大动脉结石化.
• 为了比较自动化方法与手动评分的性能.
• 评估这种方法作为传统非对比CT方法的替代方案的可行性.

主要方法:

• 对177名患者进行了回顾性分析,数据分为开发和验证集.
• 一个DeepLab v3+模型细分了大动脉,一个XGBoost模型细化了大动脉膜区域.
• 用量身定制的值和与Agatston分数相似的加权评分方法确定和量化了calcifications.

主要成果:

• 自动化方法与手动的阿加斯顿分数 (Pearson's r = 0.93,CCC = 0.92) 显示出极好的一致性.
• 对于分类严重的大动脉狭窄症,该方法实现了88.6%的灵敏度,91.1%的特异性和90.0%的整体准确性.
• 在开发和验证数据集中观察到高精度.

结论:

• 深度学习模型可以通过对比增强CT精确,自动量化对大动脉结石化的量化.
• 当非对比CT无法使用时,这种方法提供了一个可行的替代方案,可能减少操作员的依赖性和辐射暴露.
• 这些发现支持整合人工智能驱动的工具,以有效评估心血管风险.