使用3D nnU-Net自动定量腹主动脉化:评估AAA破裂风险的新方法
Yuan-Lin Luo1,2, Yi-Fan Liu1, Zhi Huang1
1Division of Vascular and Interventional Radiology, Department of General Surgery, Nanfang Hospital, Southern Medical University, Guangzhou, Guangdong Province, 510515, China.
BMC medical imaging
|September 2, 2025
概括
一种新型深度学习模型 (nnU-Net) 从CT扫描中自动测量腹腔大动脉化,提供与手动评分相似的准确结果,但速度明显更快. 这种工具有助于评估腹动脉瘤破裂的风险.
科学领域:
- 医学成像
- 医学的人工智能
- 心血管成像
背景情况:
- 腹主动脉动脉瘤 (AAA) 具有显著的破裂风险,通常与主动脉结有关.
- 目前用于量化大动脉化的方法耗时,需要专门的专业知识.
- 自动化化分析可以改善AAA的风险分层.
研究的目的:
- 开发和验证深度学习模型 (nnU-Net),用于自动细分和量化腹腔大动脉化.
- 将自动化模型的性能与医生手动评分进行比较.
- 评估该模型在提高AAA风险评估效率方面的潜力.
主要方法:
- 对100名腹主动脉CTA扫描患者进行了回顾性研究.
- 一个nnU-Net深度学习模型被训练为自动细分血管和化.
- 使用Dice分数,Spearman相关性和Bland-Altman分析对手工测量进行了模型性能评估.
主要成果:
- nnU-Net模型获得了高分数:容器93.60%和化81.06%.
- 自动化Agatston分数与手动分数有很强的相关性 (斯皮尔曼的 ρ = 0.969).
- 自动化分析比手动评分 (p < 0. 001) 快得多 (112s 与 3796s 相比).
结论:
- nnU-Net模型提供了准确而高效的腹腔大动脉化的自动定量.
- 这种自动化方法在评估AAA破裂风险方面具有临床应用潜力.
- 该模型为手动评分提供了更快,更可比的替代方案,有助于临床决策.
更多相关视频
06:46Quantitative Micro-CT Analysis of Aortopathy in a Mouse Model of β-aminopropionitrile-induced Aortic Aneurysm and Dissection
Published on: July 16, 2018
9.7K
09:32Measurement of Pulse Propagation Velocity, Distensibility and Strain in an Abdominal Aortic Aneurysm Mouse Model
Published on: February 23, 2020
6.3K
