深度学习在肺血管中的应用和挑战CTPA图像的细分CTPA图像的细分
IEEE journal of biomedical and health informatics
|November 28, 2025
概括
深度学习模型在CTPA扫描中准确地细分肺血管,用于诊断CTEPH等肺血管疾病. 这次审查对架构进行了分类,比较了性能,并解决了临床实施的挑战.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 肺血管疾病 肺血管疾病
背景情况:
- 在计算机断层扫描肺血管造影 (CTPA) 中精确细分肺血管对于诊断肺血管疾病 (PVD) 至关重要,例如慢性血栓栓塞性肺高血压 (CTEPH).
- 详细的血管映射对于有效的PVD管理和治疗计划至关重要.
研究的目的:
- 系统地对基于数据维度 (2D/3D/2.5D) 的CTPA图像细分的深度学习 (DL) 网络架构进行分类.
- 通过使用子相似系数 (DSC) 量化比较不同DL细分技术的性能.
- 识别和提出临床实施挑战的缓解策略,包括数据稀缺性,计算效率和模型概括.
主要方法:
- 根据PRISMA方法进行了全面的文献审查.
- 在Google Scholar和IEEE Xplore上进行了到2024年的搜索,其中23项高质量的研究被选中.
- 网络架构根据维度进行分类,并使用子相似系数 (DSC) 评估性能.
主要成果:
- 该审查系统地对DL架构 (2D/3D/2.5D) 进行了分类,并评估了它们的临床适应性.
- 使用DSC进行的定量性能比较强调了各种DL模型的有效性.
- 确定了临床实施的关键挑战,例如注释稀缺性和概括性.
结论:
- 深度学习技术在CTPA中对肺血管细分有显著的前景,有助于PVD诊断.
- 解决诸如注释稀缺性和改进模型概括等挑战对于临床翻译至关重要.
- 自主监督学习和域调整等新兴方向为增强基于DL的医疗图像分析提供了未来的途径.
