一种深度学习方法,用于在高分辨率的血管内超声波图像中完全自动量化体负担

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:

• 在血管内超声波 (IVUS) 中量化性负荷对于皮肤冠状动脉干预 (PCI) 规划和研究至关重要.
• 目前在IVUS图像中对体负荷的手动分析是耗时和劳动密集的.

研究的目的:

• 引入和验证深度学习 (DL) 方法,用于在IVUS图像中自动检测和量化状组织.
• 与专家估计相比,评估DL方法的性能.

主要方法:

• 一个DL模型使用197个容器的IVUS图像进行训练,专家确定了的存在.
• 在一个单独的30个容器组上评估了DL模型的性能,将其估计值与框架,损伤和细分级别的两项专家分析进行了比较.

主要成果:

• 与专家相比,DL方法在检测状组织方面具有很高的准确性,kappa值为0.842和0.848.
• 在DL方法和专家之间观察到高相关性,用于弧 (0.946-0.947) 和面积 (0.706-0.745).
• 损伤和细分层面的分析显示,体负担的相关性很好 (分别为0.971-0.990和0.980-0.981).

结论:

• 拟议的DL方法准确检测状组织,并在IVUS图像中量化状负荷.
• 这种自动化方法对研究有价值,预计将简化指导PCI的临床工作流程.