在光学相干断层扫描中对动脉样斑块的细分和定量
Viacheslav V Danilov1, Vladislav V Laptev2, Kirill Yu Klyshnikov3
1Pompeu Fabra University, Barcelona, Spain; Symfa, Miami, United States.
Computers in biology and medicine
|September 17, 2025
概括
机器学习在光学连贯断层扫描 (OCT) 图像中准确地细分动脉样斑块. 这种自动化方法通过更有效地分析易受损伤的斑块特征来改善心血管疾病诊断.
科学领域:
- 心血管成像和诊断系统
- 人工智能在医学中的应用
- 医学图像分析 医学图像分析
背景情况:
- 由动脉样硬化引起的心血管疾病是全球主要的健康问题.
- 准确识别脆弱的动脉样硬化斑块对于预防心血管事件至关重要.
- 对光连贯断层扫描 (OCT) 用于斑块表征的手动分析是耗时且主观的.
研究的目的:
- 开发和评估先进的机器学习 (ML) 模型,用于在OCT图像中对动脉样硬化斑块进行自动细分.
- 解决斑块特征细分方面的挑战,包括数据集失衡和复杂形态.
- 与手动方法相比,提高斑块分析的准确性和效率.
主要方法:
- 一个来自103名患者的多中心OCT数据集被用于训练和评估9个ML模型.
- 混合细分策略结合了单类和多类模型来处理不同的特征流行和复杂性.
- 贝叶斯优化被用于超参数调整,使用子相似系数 (DSC) 评估准确性.
主要成果:
- 对于光线 (DSC:0.987),纤维盖 (DSC:0.736) 和脂质核心 (DSC:0.751) 实现了高分段精度.
- 一组加权的模型,结合了阶级流行和信心,达到0.882.88的综合加权DSC.
- 混合策略有效地平衡了动脉样硬化斑块分析的计算效率和准确性.
结论:
- 使用混合方法和合体学习的强大的ML框架使得OCT精确有效地对动脉样硬化板块进行自动化细分.
- 这种自动化分析有可能改善高风险斑块的检测,并加强心血管保健决策.
- 进一步的前性验证和整合到实时临床工作流程中是广泛采用的必要条件.
