一个双任务的深度学习框架,用于在侵袭性冠状动脉血管造影中自动检测和分类冠状动脉病变

科学领域:

• 医疗成像中的人工智能
• 深度学习用于心血管诊断
• 冠状动脉疾病的计算病理学

背景情况:

• 在侵入性冠状动脉血管学 (ICA) 中精确检测和分类冠状动脉病变对于患者管理至关重要.
• 当前的诊断方法可能是劳动密集型的,并且受观察者之间的变化影响.
• 深度学习为医疗成像数据的自动化,高效和准确分析提供了潜力.

研究的目的:

• 开发和评估一个新的双任务深度学习框架.
• 为了从ICA图像中同时检测和分类冠状动脉病变.
• 提高心血管评估的诊断准确性和效率.

主要方法:

• 对注释的ICA数据集 (1234名患者) 和外部数据集 (135例) 的回顾性分析.
• 实施一个双重任务框架,单独的检测 (例如,可变形DETR) 和分类 (例如,Swin变压器) 模块.
• 广泛的预处理,数据增强和严格的性能评估使用mAP,灵敏度,特异性和AUC-PR等指标.

主要成果:

• 可变形DETR检测模块在外部数据集上实现了88.2%的mAP和92.0%的灵敏度.
• 斯温变压器分类模块达到92.8%的准确性和0.94的AUC-PR.
• 性能与人类专家准确度 (85-90%) 相当,显示出强大的诊断能力和临床实用性.

结论:

• 拟议的双任务深度学习框架代表了自动化冠状动脉损伤评估的重大进展.
• 该系统提供了精确和高效的冠状动脉病变的同时检测和分类.
• 这项技术支持加强心血管疾病管理的临床决策.