深度强化学习用于自动解剖CT地标定位在斯坦福大学B型大动脉剖析中的深度强化学习.

科学领域:

• 医学成像分析分析 医学成像分析
• 医疗保健中的人工智能
• 心血管成像 - 心血管成像

背景情况:

• 基于里程碑的一致测量对于长期监测大动脉剖析至关重要.
• 斯坦福B型大动脉剖析 (TBAD) 需要随着时间的推移进行精确的解剖评估.

研究的目的:

• 评估深度强化学习 (DRL) 药物用于检测TBAD患者的解剖学里程碑.
• 为了比较DLR剂的性能与人类观察者之间的变异性.

主要方法:

• 来自9个国际地点的396个CT血管扫描的回顾性分析.
• 大动脉标志的手动标记 (环,8个分支血管) 和观察者之间的变异性评估.
• 训练DRL代理人进行地标检测,比较单个代理和基于集群的预测算法.

主要成果:

• DRL单剂的中位误差为2.7毫米,失效率为4.8%.
• 基于集群的DLR模型表现出卓越的性能,平均误差为2.5毫米,失败率为4.0%.
• 基于集群的DRL预测明显优于单剂预测,与人类观察者间的变异性相当.

结论:

• DRL代理,特别是基于集群的模型,准确而精确地预测TBAD患者的大动脉里程碑.
• DRL模型的性能与人类观察者的可变性相美,为高效的大动脉剖析监测提供了一个潜在的工具.
• DRL提供了一种快速 (平均1.0秒的处理时间) 和可靠的方法,用于TBAD成像中的地标检测.