基于深度学习的心脏计算机断层扫描血管学左心房细分和心房患者的量化:一个多模型比较研究
Lijun Feng1,2,3,4, Wei Lu5, Jiayi Liu1,2,3,4
1Department of Cardiology of The Second Affiliated Hospital, School of Medicine, Zhejiang University, 88 Jiefang Road, Hangzhou, 310009, China.
Biomedical engineering online
|September 27, 2025
概括
深度学习模型从心脏CT血管造影 (CTA) 扫描中准确地细分了左心房体积 (LAV). 这种自动化的LAV评估显示出作为心房动的生物标志物具有前途.
科学领域:
- 心脏病学 心脏病学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 对左心房体积 (LAV) 的定量评估对于理解心房的发病因子至关重要.
- 自动左心房细分和LAV测量在临床实践中存在重大挑战.
研究的目的:
- 通过心脏计算机断层扫描血管学 (CTA) 来确定左心房细分的最佳深度学习模型.
- 使用表现最佳的细分模型进行准确的定量LAV测量.
主要方法:
- 从心房动患者的182个心脏CTA的多中心队列进行了策划.
- 五个最先进的深度学习模型 (DAResUNet,nnFormer,xLSTM-UNet,UNETR,VNet) 被训练并验证为左心房细分.
- 根据细分性能指标选择了最佳模型,并用于LAV一致性验证.
主要成果:
- 在子相似系数 (DSC) 和雅卡德指数 (JI) 中,DAResUNet表现优异.
- 在Hausdorff距离 (HD) 和平均表面距离 (ASD) 的指标上,VNet表现出色.
- 布兰德-阿尔特曼分析证实了自动和手动LAV测量之间的强烈一致 (平均偏差 -5.69毫升).
结论:
- 在182个CTA图像的队列上训练的深度学习模型在左心房细分方面取得了竞争性结果.
- 使用深度学习的自动化LAV评估显示,它有可能成为预测心房的生物标志物.


