使用深度学习自动化冠状动脉评分:在多种胸部CT协议中进行验证
Eduardo Mineo1, Antonildes N Assuncao-Jr1, Carla Franco Grego da Silva1
1Heart Institute (InCor), Hospital das Clínicas HCFMUSP, Faculdade de Medicina, Universidade de São Paulo, São Paulo, São Paulo, Brazil.
一个新的深度学习模型在常规的胸部CT扫描上准确量化冠状动脉 (CAC),使得有效的心血管风险评估成为可能. 这种自动化工具支持针对动脉样硬化心血管疾病 (ASCVD) 的机会性查.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 心血管疾病风险评估心血管疾病风险评估
背景情况:
- 冠状动脉 (CAC) 评分对于动脉样硬化心血管疾病 (ASCVD) 风险分层至关重要.
- 常规非门胸部CT (NCCT) 的使用量增加,为机会性CAC评估提供了机会.
- 目前用于CAC量化NCCT的方法尚未被广泛纳入临床工作流程.
研究的目的:
- 开发和验证深度学习 (DL) 模型,用于自动化,协议无关的CAC量化.
- 为了使工作流程准备好,从常规的胸部CT扫描中进行CAC评分.
- 在临床实践中支持机会性心血管风险分层.
主要方法:
- 一项回顾性研究涉及2132个胸部CT扫描 (常规,CT-CAC,CT-COVID) 来自没有确立ASCVD的患者.
- 对基于DL的CAC细分模型与手册注释进行培训和验证.
- 使用类内相关系数 (ICC) 和科恩的 kappa. 评估协议.
- 计算诊断性能指标,包括灵敏度,特异性和F1分数.
主要成果:
- DL模型显示了Agatston分数的高可靠性 (ICC=0.987) 和CAC类别的强烈一致性 (科恩的 κ=0.86-0.95).
- 在CAC>100 (F1=0.956) 和CAC>300 (F1=0.967) 的情况下,观察到出色的诊断性能.
- 在马什哈德COVID研究 (κ=0.8) 和SBUCOVID研究 (F1=0.928对于中度至重度CAC) 中,通过外部验证确认了良好协议.
结论:
- 开发的DL模型提供了准确和准备工作流的CAC量化.
- 该模型在各种胸部CT扫描类型中有效,包括常规扫描和流行病时代扫描.
- 这项技术支持在临床环境中具有成本效益的机会性心血管风险分层.
更多相关视频
04:40Identifying Coronary Artery Calcification on Non-gated Computed Tomography Scans
Published on: August 28, 2018
08:02Author Spotlight: Enhanced Quantification of Cardiovascular Calcification Progression for Longitudinal Micro PET/CT Studies in Small Research Animals
Published on: November 15, 2024
相关概念视频
Imaging Studies for Cardiovascular System VI: Calcium -Scoring CT
Imaging Studies for Cardiovascular System V: CT
Computed Tomography
The technique was invented in the 1970s and is based on the principle that as X-rays pass through the body, they are absorbed or reflected at different levels. In the technique, a patient lies on a motorized platform while a computerized axial tomography (CAT) scanner rotates...
Imaging Studies for Cardiovascular System IV: CMRI
Imaging Studies III: Computed Tomography
