为CT冠状动脉细分优化可通用深度学习模型:多因素评估
Shisheng Zhang1, Ramtin Gharleghi2, Sonit Singh3
1School of Mechanical and Manufacturing Engineering, University of New South Wales, Sydney, Australia. shisheng.zhang@unsw.edu.au.
Journal of imaging informatics in medicine
|September 19, 2025
概括
冠状动脉细分的深度学习模型显示了更好的图像对比度和清晰度的提高准确性,但化会对性能产生负面影响. 研究结果强调,需要考虑成像特征和血管解剖学,以进行强大的CAD管理.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心血管疾病 心血管疾病
背景情况:
- 冠状动脉疾病 (CAD) 是全球主要的健康问题,推动了对先进诊断工具的需求.
- 自动化医疗图像细分,特别是使用深度学习,为改进CAD管理和诊断提供了潜力.
- 目前的深度学习模型面临的挑战是,由于成像和患者因素的变化,在各种数据集中实现一致的性能.
研究的目的:
- 通过深度学习研究图像质量和分辨率对冠状动脉细分精度的影响.
- 评估诸如容器大小,化,对比度增强和边缘度等因素如何影响细分性能.
- 提供数据驱动的基础,为冠状动脉细分开发更可概括的深度学习模型.
主要方法:
- 利用两个数据集 (ASOCA和GeoCAD) 来训练和验证深度学习模型.
- 实施并比较了三个深度学习架构:U-Net,Swin-UNETR和EfficientNet-LinkNet.
- 评估了成像特征 (对比度与噪声比,动脉对比度增强,边缘清晰度) 和化程度对细分精度的影响.
主要成果:
- 动脉对比度增强 (r=0.408,p<0.001) 和边缘度 (r=0.239,p=0.046) 与改善的细分显著相关.
- 化对所有严重程度的细分精度产生了负面影响,低化构成了最重要的挑战 (p<0.05).
- 较大的血管直径 (男性的OM1,女性的LM和RCA) 与这些特定血管的更好的细分性能有关.
结论:
- 像对比度增强和边缘度这样的图像质量指标对于准确的冠状动脉细分至关重要.
- 化对细分精度构成重大障碍,需要有针对性的算法改进.
- 考虑到解剖学变异性,例如血管直径,对于提高CAD分析中深度学习模型的概括性至关重要.
