在计算机断层扫描中验证了深度学习方法用于表心脂肪组织细分的验证
Rúben Baeza1,2, Fábio Nunes3,4, Carolina Santos3
1Institute for Systems and Computer Engineering, Technology and Science (INESC TEC), Rua Dr Roberto Frias, Porto, 4200-465, Portugal. up202103374@edu.fe.up.pt.
The international journal of cardiovascular imaging
|November 13, 2025
概括
深度学习U-Net模型显示出从心脏CT扫描中量化心上脂肪组织 (EAT) 容量的前景,比手动细分和商业软件提供更高的准确性用于心血管风险评估.
科学领域:
- 心脏病学 心脏病学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 副心脏脂肪组织 (EAT) 体积是心血管风险,炎症和死亡率的重要指标.
- 在心脏计算机断层扫描 (CT) 中手动细分EAT是耗时的,并限制了临床应用.
- 准确和有效的EAT量化对于评估心血管疾病 (CVD) 风险至关重要.
研究的目的:
- 评估深度学习U-Net模型和商业软件 (西门子CRA) 的性能,用于自动化心周和EAT细分.
- 将自动化方法的准确性和效率与心脏CT手动细分进行比较.
- 评估AI在改善心血管风险分层的EAT体积量化方面的潜力.
主要方法:
- 分析了300个无对比心脏CT扫描.
- 用西门子CRA和U-Net深度学习模型手动和自动执行心周细分.
- 通过值实现了EAT细分,并使用子得分 (DSC) 和皮尔森相关系数 (PCC) 评估绩效.
主要成果:
- 与西门子CRA相比,U-Net模型显示出优越的心周细分,具有很好的内/间观察者可变性.
- 虽然U-Net (0.723) 和西门子CRA (0.679) 的EAT细分DSC低于观察者间的变异性 (0.862),但U-Net EAT体积量化显示出与人类读者 (PCC=0.896) 的一致性比观察者间的一致性更好.
- 在U-Net模型中,EAT体积量化偏差 (-2.83cm3) 显著低于观察者间偏差 (9.05cm3).
结论:
- 基于深度学习的细分,特别是U-Net模型,在心脏CT中优于心周和EAT分析的商业解决方案.
- 尽管在EAT细分精度方面存在挑战,但U-Net模型提供了具有竞争力的EAT体积量化,与人类读者可比.
- 通过改进EAT量化,人工智能驱动的工具具有通过改进EAT量化来有效和准确地评估心血管风险的巨大潜力.
