使用深度学习在CT定位器中检测左心房附属体
Aydin Demircioğlu1, Denise Bos2, Anton S Quinsten2
1Institute of Diagnostic and Interventional Radiology and Neuroradiology, University Hospital Essen, Hufelandstraße 55, 45147, Essen, Germany. aydin.demircioglu@uk-essen.de.
Scientific reports
|May 2, 2025
概括
深度学习在CT局部化扫描中准确地识别了左心房附属体 (LAA),提高了准确性并减少了辐射暴露. 这种自动化方法通过减少不必要的全心扫描来提高患者的安全性.
科学领域:
- 医疗成像医学成像
- 放射学中的人工智能
- 心血管成像 - 心血管成像
背景情况:
- 心血管栓塞性中风患者通常需要对左心房附属体 (LAA) 的CT扫描来检测血栓.
- 目前的LAA成像依赖于局部扫描,但不精确的地标识别需要全心扫描,增加辐射暴露.
- 在局部化器中精确的LAA划界对于有针对性的成像和辐射剂量减少至关重要.
研究的目的:
- 开发和评估深度学习模型,用于CT局部化扫描中自动化左心房附属体 (LAA) 划界.
- 为了比较不同深度学习网络的准确性和临床实用性,用于LAA边界预测.
- 通过人工智能引导的LAA成像来评估辐射剂量减少的潜力.
主要方法:
- 从一个单一中心回顾收集了1253个CT定位器扫描.
- 四个深度学习网络的培训和评估:VariFocalNet,Cascade-R-CNN,任务调整的单阶段对象检测网络和YOLO v11.
- 在内部 (368名患者) 和外部 (309名患者) 试验队列上进行验证,评估准确性 (迪斯系数) 和临床实用性.
主要成果:
- VariFocalNet表现出卓越的性能,实现了高LAA划界精度 (97.8%内部,96.8%外部) 和Dice系数 (90.4%内部,90.0%外部).
- 临床效用几乎是完美的 (99.8%的内部,99.3%的外部).
- 基于网络的划分使辐射暴露在内部和外部队列中的全心扫描相比减少了50%以上.
结论:
- 深度学习模型,特别是VariFocalNet,可以在CT定位器中准确可靠地划分左心房附属体 (LAA).
- 自动LAA划界显著提高成像准确性,并减少患者的辐射暴露.
- 这种人工智能驱动的方法为中风患者的LAA评估提供了传统全心扫描的有希望的替代方案.
