腹腔大动脉动脉瘤自动细分从计算机断层扫描血管学使用基于补丁的扩展UNet模型
Merjulah Roby1, Juan C Restrepo1, Haehwan Park2
1Department of Mechanical Engineering, The University of Texas at San Antonio, San Antonio, TX 78249, USA.
IEEE access : practical innovations, open solutions
|October 6, 2025
概括
使用深度学习和NURBS对腹腔大动脉动脉瘤 (AAA) 的自动细分显著提高了临床应用的准确性和速度. 这一进步有助于对AAA患者进行更快,更精确的治疗计划.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心血管外科心血管外科
背景情况:
- 腹腔大动脉瘤 (AAA) 是一个重大的公共卫生挑战,死亡率不断上升.
- 计算机断层扫描血管学 (CTA) 对于AAA监测和手术规划至关重要.
- 手动对CTA图像进行细分是耗时和劳动密集型的,需要自动化解决方案.
研究的目的:
- 开发和评估一个自动化的深度学习框架,用于在CTA图像中对AAA进行细分.
- 提高细分精度和效率,以提高AAA管理中的临床决策.
主要方法:
- 一个基于补丁的扩展修改的U-Net深度学习模型被调整为自动的AAA细分.
- 整合了非统一的理性B-Splines (NURBS),以改进细分的准确性.
- 在预测阶段评估模型的处理速度.
主要成果:
- 深度学习框架在CTA扫描中实现了AAA区域的准确划分.
- 该模型表现出极高的处理速度,每只需要17 ± 0.02毫秒.
- 整合NURBS显著提高了复杂解剖轮的细分精度.
结论:
- 拟议的自动化细分模型为有效和准确的AAA管理提供了一个有前途的临床工具.
- 深度学习与NURBS的整合为医疗图像细分的临床需求提供了强大的解决方案.
- 快速处理时间和高准确性支持其在AAA患者的实时临床工作流程中的应用.
