基于深度学习的动脉直径测量创伤性出血使用浅注意网络:前进的道路
Yoonjung Heo1,2, Go-Eun Lee3, Jungchan Cho4
1Division of Trauma Surgery, Department of Surgery, Dankook University College of Medicine, Cheonan-si 31116, Republic of Korea.
Diagnostics (Basel, Switzerland)
|June 13, 2025
概括
一个新的深度学习模型准确地测量了创伤患者的大动脉直径,改进了关键干预措施的规划,如复苏性血管内气球阻塞大动脉 (REBOA). 这种自动化方法减少了测量时间和可变性.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 创伤外科 手术 创伤外科
背景情况:
- 准确的大动脉直径 (AoD) 评估对于管理创伤性出血和指导干预措施至关重要,例如复苏性内血管气球阻塞大动脉 (REBOA).
- 手动的AOD测量是耗时的,容易引起观察者之间的变化,影响临床决策.
- 开发用于AOD测量的自动化方法可以提高创伤护理的效率和一致性.
研究的目的:
- 开发和验证深度学习 (DL) 模型,用于创伤患者的自动AOD测量.
- 与手动测量相比,评估模型的准确性和可靠性.
- 评估DL在促进及时主动脉干预方面的潜力.
主要方法:
- 对300名成年创伤患者的腹部CT扫描进行了回顾性分析.
- 在444张手动注释的CT图像上训练浅注意网络,用于大动脉细分和直径测量.
- 采用基于圆的校准方法来提高测量精度.
主要成果:
- DL模型实现了高细分性能,平均子系数为0.865.
- 在校准后,预测直径和地面真相直径之间的平均差异最小,为2.11毫米.
- 介膜AOD的中位数测量为22.59毫米.
结论:
- 开发的以圆为基础的校准深度学习模型证明了自动化AOD测量的强大性能.
- 这种自动化方法有望提高创伤患者大动脉直径评估的效率和准确性.
- 该模型可能有助于及时规划大动脉干预,如REBOA,在重症监护机构.
