在跨导管大动脉植入过程中优化了大动脉根细分.
Nikita V Laptev1, Olga M Gerget2, Julia K Belova3
1Siberian State Medical University, Tomsk, Russia.
Frontiers in cardiovascular medicine
|December 1, 2025
概括
卷积神经网络 (CNN) 通过在血管图像上自动细分大动脉根来提高跨导管大动脉植入 (TAVI) 的准确性,有助于精确的门放置.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 心血管外科心血管外科
背景情况:
- 通过导管的大动脉植入 (TAVI) 对于严重的大动脉狭窄至关重要.
- 精确的门定位对于TAVI的成功至关重要,尤其是在慢性病患者中使用最小的对比度.
- 光镜成像由于对比度低,噪音和文物造成挑战,阻碍了精确的解剖视觉化.
研究的目的:
- 为了在血管图像上比较各种卷积神经网络 (CNN) 架构的自动大动脉根细分.
- 确定最佳的CNN模型,以提高TAVI门定位精度.
- 探索基于CNN的细分在减少对比剂使用和手术风险方面的潜力.
主要方法:
- 对CNN架构进行比较分析,包括FPN,U-Net++,DeepLabV3+,LinkNet,MA-Net和PSPNet.
- 模型在血管学数据集上以优化的超参数进行训练和测试.
- 使用子系数和平均对称表面距离来评估性能.
主要成果:
- 在训练期间,DeepLabV3+和U-Net++显示出稳定的趋同 (子中位数~0.88).
- MA-Net和PSPNet在患者水平上取得了卓越的表现,分别为0.942和0.936的Dice系数.
- 马网和PSPNet也产生了低平均对称表面距离4.1毫米.
结论:
- 基于CNN的自动大动脉根细分显著提高了TAVI中的门定位精度.
- MA-Net和PSPNet在心脏外科手术决策支持系统中具有很强的临床应用潜力.
- 这些方法可以减少对比剂的依赖,最大限度地降低手术风险,并提高TAVI的结果.
