一种多模型的深度学习方法,用于在2D冠状动脉血管图像中识别冠状动脉化
Edoardo De Rose1, Ciro Benito Raggio2, Ahmad Riccardo Rasheed3
1Department of Mathematics and Computer Science, University of Calabria, Pietro Bucci, 87036, Rende, Calabria, Italy. edoardo.derose@unical.it.
概括
这项研究引入了一个人工智能工作流程,以帮助医生在2D冠状动脉血管图像 (2DCA) 中识别冠状动脉化 (CAC). 该系统提高了准确性和效率,以获得更好的患者护理.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心血管疾病 心血管疾病
背景情况:
- 准确的冠状动脉化 (CAC) 鉴定对于二维冠状动脉图 (2DCA) 的术前规划和风险评估至关重要.
- 目前的视觉检查方法是主观的,依赖于经验,并且由于图像质量限制而容易出现不准确性.
研究的目的:
- 开发和评估一个自动化工作流程,以协助临床医生在2DCA图像中识别和量化CAC.
- 与传统方法相比,提高CAC评估的准确性和效率.
主要方法:
- 开发了一个三阶段的工作流程,结合了ResNet-18分类骨干来进行特征提取.
- 采用U-Net解码器架构来识别感兴趣的区域,然后进行后处理精细化步骤.
- 该工作流经过训练和验证,使用来自14名患者的44次图像采集数据进行验证,并通过离开一次的交叉验证进行评估.
主要成果:
- 分类步骤取得了0.87的高F1得分 (中位数±四分位数:0.770.94).
- 在CAC识别步骤中,交叉点与最小点 (IoM) 的交叉点为0.64 (中位数±四分位数:0.460.86).
- 与现有方法相比,拟议的方法显示出更高的性能.
结论:
- 本文介绍了第一个旨在帮助2DCA中CAC识别的临床决策支持系统.
- 开发的工作流显示了提高CAC量化的准确性和效率的巨大潜力.
- 未来的研究将探索整合辅助任务,以进一步优化临床应用的细分性能.
更多相关视频
06:57Author Spotlight: Advancing Cardiovascular Imaging - Introducing the Spatially Weighted Calcium Score for Early Disease Detection
Published on: September 22, 2023
945
08:02Author Spotlight: Enhanced Quantification of Cardiovascular Calcification Progression for Longitudinal Micro PET/CT Studies in Small Research Animals
Published on: November 15, 2024
557
