使用nnU-Net对非对比和对比增强CT扫描进行全关动脉硬化负担评估,自动检测和分段动脉结板

科学领域:

• 放射学和医学成像学 医学成像学
• 心血管成像 - 心血管成像
• 医疗保健中的人工智能

背景情况:

• 甲状腺斑块负担与心血管疾病 (CVD) 有关.
• 目前的自动化方法主要集中在CT血管学上,用于斑块负担分析.
• 准确量化化斑块对于评估心血管疾病风险至关重要.

研究的目的:

• 开发和验证一种用于甲状腺斑块检测和细分的自动化方法.
• 为了能够准确量化非对比和对比增强CT扫描的化斑块负担.
• 评估自动化斑块负担评估与临床因素和疾病的相关性.

主要方法:

• 利用nnU-Net框架来训练一个自动检测和细分模型.
• 经过各种数据集的训练,包括非对比PET-CT,对比增强CT泌尿图以及各种腹部/胸部CT扫描.
• 在多个外部数据集上评估了检测和细分的准确性,并在配对扫描上评估了Agatston分数的相关性.

主要成果:

• 实现了高检测性能,精度为88.1%,回忆率为99.5%,F1得分为93.4%.
• 分区子得分在64.3-83.7%之间,显著超过了基线方法.
• 从对联CT扫描中获得的Agatston分数之间显示出强烈的相关性 (R2=0.99).
• 确定了化斑块负担与年龄,性别,BMI,吸烟,滥用酒精,心血管疾病,心力衰竭,心肌梗塞和2型糖尿病等因素之间的显著相关性.

结论:

• 自动化甲状腺斑块检测和细分提供了准确的整体干动脉样硬化化负担评估.
• 这种方法有可能提高心血管疾病的诊断.
• 这些发现表明了改善心血管疾病风险分层和治疗策略的途径.