深度学习驱动的虚假光量预测了CT残留大动脉剖析患者的不良重塑,而不是直径
Joris Fournel1,2, Mariangela De Masi3, Charlotte Lu4
1CRMBM-UMR CNRS 7339, Aix-Marseille University, 27, Boulevard Jean Moulin, 13385, Marseille, Cedex 05, France. jorisfournell@gmail.com.
European radiology
|November 7, 2025
概括
一个新的深度学习模型准确地测量CT血管学上的大动脉剖析组件. 来自该模型的局部假光量,比在残留大动脉剖析患者中传统的直径测量更好地预测不良的大动脉重塑.
科学领域:
- 心血管成像 - 心血管成像
- 人工智能在医学中的应用
- 医学图像分析 医学图像分析
背景情况:
- 剩余大动脉剖析 (RAD) 管理需要准确的风险分层.
- 目前用于评估RAD的方法,例如最大的大动脉直径,可能无法完全捕捉重塑风险.
- 需要先进的成像分析技术来准确地描述剖析组件.
研究的目的:
- 开发一个深度学习的细分模型,用于自动测量最大的大动脉直径和真,循环假和血栓在CT血管学 (CTA) 中的真体积.
- 评估这些自动测量在RAD中对不利的大动脉重塑的预测能力.
主要方法:
- 这是一项回顾性研究,涉及来自两个中心的322名患者.
- 开发和测试使用CTA数据的深度学习细分模型.
- 自动提取最大的大动脉直径,全球虚假光量和局部虚假光量 (最大直径周围3厘米).
- 用内部和外部数据集进行临床验证,包括对不良大动脉重塑的后续调查.
主要成果:
- 深度学习模型在细分大动脉剖析组件方面表现出高准确性 (所有组件的DSC>0.84跨中心).
- 当地虚假光量 (FL_Loc) 与最大直径 (D_max) 和全球虚假光量 (FL_Glo) (FL_Loc的AUC从0.77到0.83) 相比,对不利的大动脉重塑的预测性能更好.
- 在预测重塑的最佳门上,FL_Loc获得了良好的灵敏度 (0.87) 和特异性 (0.68).
结论:
- 基于深度学习的细分提供了对大动脉剖析组件的准确和自动测量.
- 局部虚假光量是一个更有效的预测在RAD不利的大动脉重塑的D_max和FL_Glo.比D_max和FL_Glo.
- 这种自动化方法为管理残留大动脉剖析患者提供了临床相关的见解.
