从腰椎X射线和DXA图像进行腹腔大动脉化评分的深度学习组合

科学领域:

• 放射学
• 心血管成像
• 医学中的人工智能

背景情况:

• 腹腔大动脉化 (AAC) 是心血管疾病 (CVD) 的重要预测因素.
• 在脊椎成像中,AAC通常是偶然的发现,为机会性查提供了机会.
• 目前的手动AAC评分是耗时的,并且存在评分者之间的差异性,而现有的自动化方法缺乏稳定性和特定模式的适应性.

研究的目的:

• 从腰椎X射线和双能X射线吸收测量 (DXA) 图像中开发和验证一种自动化的AAC量化方法.
• 通过预测可能得分的分布来解决手动AAC得分的固有变化.
• 提高AAC评估的准确性和可靠性,以提前识别心脏病风险.

主要方法:

• 利用卷积神经网络 (CNN) 模型进行自动化AAC量化.
• 以正常分布的随机变量对待AAC分数,根据手册注释估计平均值和差异.
• 通过模拟这些分布的AAC分数来训练CNN模型,以解释分数的变化.
• 将该方法应用于X射线和DXA成像模式.

主要成果:

• 预测和手动AAC分数之间达成强烈一致,X射线的相对应系数为0. 930和DXA的0. 912.
• 与之前报告的自动化方法相比,预测误差有所减少.
• 组合方法有效地从各种成像来源提取了AAC分数并预测了分数分布.

结论:

• 提出的自动化组合方法准确地从X射线和DXA图像中量化AAC.
• 通过预测得分分布将不确定性纳入AAC得分,从而提高预测的准确性.
• 这种方法为机会性AAC查提供了可靠和有效的工具,以识别高心血管疾病风险的个体.