深度学习模型用于细分和量化使用非对比心脏计算机断层扫描的左心房附属体体积
Daniel Augusto Message Santos1, Lucas de Oliveira Teixeira2, Miyoko Massago1
1Postgraduate Program in Health Sciences, State University of Maringa, Maringa, Brazil.
Journal of cardiovascular imaging
|November 1, 2025
概括
深度学习使用非对比CT扫描精确地对左心房附属体 (LAA) 进行细分. 这为评估LAA形态和体积提供了可靠的工具,有助于心血管风险分层.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 心脏病学 心脏病学
背景情况:
- 左心房附属体 (LAA) 是血栓形成的关键部位,通常与病态扩张和炎症有关.
- 准确识别和测量LAA对于心血管风险评估至关重要.
- 目前的成像方法需要精确的LAA表征.
研究的目的:
- 评估四个基于U-Net的深度学习架构的性能,用于半自动的LAA细分和体积测量.
- 为了比较UNet3D,残余-UNet3D,3D注意力-UNet和Res16-PAC-UNet的准确性和可靠性.
- 确定在LAA分析中使用非对比CT深度学习的可行性.
主要方法:
- 追溯分析452个非对比心脏计算机断层扫描 (NCCT) 扫描,来自60岁以上的患者.
- 应用四个U-Net深度学习模型 (UNet3D,残余-UNet3D,3D注意力-UNet,Res16-PAC-UNet) 进行LAA细分.
- 通过戴斯系数和通过皮尔森相关性和布兰德-阿尔特曼分析的体积协议来评估细分精度.
主要成果:
- 这四种深度学习模型都表现出可比的细分精度,Dice系数在77.68%至79.07%之间.
- 在所有模型中,预测和手动LAA体积之间观察到强烈的相关性 (P < 0.001),其中3D注意力-UNet显示了最高的相关性 (r = 0.800).
- 布兰德-阿尔特曼分析证实了最小偏差和狭窄的协议限制,表明所有测试的架构都具有一致的可靠性.
结论:
- 基于深度学习的NCCT细分允许对LAA进行准确和可重复的形态和体积评估.
- 这种方法为心血管风险分层和治疗规划提供了一个快速可靠的工具,而不需要对比剂.
- 该研究强调了人工智能在提高常规心脏成像分析以改善患者护理方面的潜力.
