通过不确定性引导的积极学习,用于跨导管大动脉植入的通道细分和规划
Mahdi Islam1, Musarrat Tabassum1, Agnes Mayr1
1Department of Radiology, Medical University of Innsbruck, 6020 Innsbruck, Austria.
Journal of imaging
|September 26, 2025
概括
这项研究引入了一个人工智能框架,用于更快,更准确地选择血管接入路径,用于跨导管大动脉植入 (TAVI). 该自动化系统使用心脏MRI有效地细分和测量动脉,提高了患者的安全性.
科学领域:
- 医疗成像医学成像
- 心血管干预 心血管干预
- 人工智能在医学中的应用
背景情况:
- 过导管大动脉植入 (TAVI) 需要精确选择门动脉,以获得最佳的血管通道.
- 对于TAVI,手动评估门动脉解剖是耗时的,容易出现错误.
- 像TAVI这样的微创手术需要高效准确的手术前规划.
研究的目的:
- 开发和验证基于激活学习的细分框架,用于对比度增强的心脏磁共振 (CMR) 数据.
- 为了能够高效,准确地量化大动脉直径,用于TAVI通道评估.
- 为了减少手动注释负担在TAVI的程序前规划.
主要方法:
- 一个主动学习框架,利用概率不确定性和伪标签来对比增强的CMR数据进行细分.
- 自动化管道整合细分结果,用于对大动脉 - 阴茎路径的直径量化.
- 除研究比较了对比前和后的CMR数据性能.
主要成果:
- 积极学习框架实现了高细分精度,Dice得分为0.912.
- 直径量化显示平均绝对百分比误差 (MAPE) 为4.92%.
- 与对比前数据相比,对比后的CMR数据产生了更高的性能.
结论:
- 开发的管道提供了精确的细分和详细的直径档案的动脉-阴茎接入路线.
- 这种自动化的方法有助于评估TAVI手术的血管通道.
- 该框架为程序前规划提供了有效的解决方案,可能减少与TAVI相关的并发症.
