人在循环神经网络与CT血管学中大动脉直径测量的手动方法的比较
Prabhvir S Marway1, Carlos Alberto Campello Jorge1, Timothy Baker1
1Department of Radiology, University of Michigan, Ann Arbor, Mich.
Radiology. Cardiothoracic imaging
|November 6, 2025
概括
与手动方法相比,自动化的U-Net测量与循环内人类验证改善了胸前大动脉直径评估准确度. 这种人工智能方法提高了与参考标准的一致性,以获得更好的临床决策.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 心血管成像分析心血管成像分析
- 放射学中的深度学习
背景情况:
- 准确测量胸前大动脉直径对于管理大动脉扩张至关重要.
- 手动测量可能耗时且容易发生变化.
- 深度学习模型为自动化和精确的图像分析提供了潜力.
研究的目的:
- 将U-Net卷积神经网络与循环内人 (HITL) 验证与胸前大动脉直径的手动临床测量进行比较.
- 用CT血管造影评估胸前大动脉自动细分和测量的性能.
主要方法:
- 在患有胸前大动脉扩张的患者中,CT血管学检查的回顾性分析.
- 自动主动脉细分,地标定位和直径测量使用多任务U-Net.Net.
- 对U-Net测量的HITL验证,对于差异>5毫米的专家重新测量.
- 使用U-Net,手动和血管变形映射方法对上升性大动脉中部生长的比较.
主要成果:
- 96%的自动测量通过了HITL验证.
- 通过HITL验证,测量差异显著减少,并改善了一致性极限.
- 与手动测量相比,U-Net测量显示了与直径独立的参考标准 (血管变形映射) 的更强的一致性.
结论:
- 通过HITL验证增强的自动U-Net测量,提供更准确的胸前大动脉直径评估.
- 与传统的手动测量相比,这种人工智能辅助的方法显示出与参考标准的更高的一致性.
- 这些发现支持AI的临床实用性,用于改善CT血管学中的胸前大动脉评估.
更多相关视频
09:32Time-Resolved, Dynamic Computed Tomography Angiography for Characterization of Aortic Endoleaks and Treatment Guidance via 2D-3D Fusion-Imaging
Published on: December 9, 2021
3.4K
10:09Drug Treatment by Central Venous Catheter in a Mouse Model of Angiotensin II Induced Abdominal Aortic Aneurysm and Monitoring by 3D Ultrasound
Published on: August 4, 2022
3.6K
