基于深度学习的动脉血管壁和斑块在MR血管壁图像中的自动细分用于定量评估
Long Yang1,2, Xiong Yang3, Zhenhuan Gong3
1Lauterbur Research Center for Biomedical Imaging, Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences, Shenzhen, 518055, China.
European radiology
|June 3, 2025
概括
一个新的深度学习模型,Vessel-SegNet,在MRI扫描中准确地细分血管壁和动脉样斑. 这种自动化方法改善了定量分析,以便及时评估中风风险.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心血管研究研究心血管研究
背景情况:
- 在MR图像中手动对容器组件进行细分是耗时的.
- 准确的细分对于动脉样硬化斑块的定量评估和中风风险评估至关重要.
研究的目的:
- 开发和验证基于深度学习的自动方法,用于细分血管壁和动脉样硬化板块.
- 为了提高MR容器墙壁图像的定量评估的准确性和效率.
主要方法:
- 一个称为Vessel-SegNet的卷积神经网络 (CNN) 已被开发用于流体和血管壁细分.
- 船舶墙壁前置 (手动和基于Tversky损失的自动) 用于增强斑块细分.
- 该方法在五个中心的193名患者身上使用T1加权的MRI扫描进行了验证.
主要成果:
- 船舶-SegNet在流体和船壁细分 (>90%) 方面实现了高的子相似系数 (DSC).
- 船舶墙壁先验改善了斑块细分DSC超过10% (88.45%).
- 基于Tversky损失的 priors 与子损失的 priors 相比,进一步提高了近3% (82.84%) 的 DSC.
结论:
- 拟议的基于CNN的模型为定量评估提供了快速准确的船舶壁和板块细分.
- 需要在各种设备,种群和解剖学研究中进行进一步的验证,以确认可靠性.
更多相关视频
08:13Microwave-driven Synthesis of Iron Oxide Nanoparticles for Fast Detection of Atherosclerosis
Published on: March 22, 2016
10.9K
09:36A Magnetic Resonance Imaging-based Computational Protocol for Analysis of Plaque Morphology and Hemodynamics in Patients with Carotid Artery Stenosis
Published on: August 12, 2025
572
