基于深度学习的沿冠状动脉血流储备分数预测
图像与视频处理
2023-08-10 v1 计算机视觉与模式识别
机器学习
医学物理
摘要
功能性显著冠状动脉疾病（CAD）由冠状动脉内斑块积聚引起，可能导致动脉管腔狭窄，即冠状动脉狭窄，显著阻碍心肌血流。当前确定功能性显著狭窄存在的参考标准是侵入式血流储备分数（FFR）测量。为避免侵入式测量，从冠状动脉CT血管造影（CCTA）非侵入式预测FFR已兴起。为此，以快速推理为特征的机器学习方法正被日益开发。然而，这些方法每条动脉仅预测单一FFR值，即不提供关于狭窄位置或治疗策略的信息。我们提出一种基于深度学习的方法，从CCTA扫描预测沿动脉的FFR。本研究纳入110例在112条动脉中接受侵入式FFR拉线测量的患者的CCTA图像。首先，将动脉的多平面重建（MPR）输入变分自编码器以表征动脉，即通过管腔面积和无监督动脉编码。此后，卷积神经网络（CNN）预测沿动脉的FFR。该CNN由多个损失函数监督，特别是受推土机距离（EMD）启发的损失函数以预测FFR下降的正确位置，以及基于直方图的损失以显式监督FFR曲线的斜率。为训练和评估我们的模型，进行了八折交叉验证。所得FFR曲线与参考值吻合良好，在大多数情况下可区分弥漫性与局灶性CAD分布。定量评估得出FFR拉线曲线下面积（AUPC）的平均绝对差为1.7。该方法可为从CCTA快速、准确、自动预测沿动脉FFR铺平道路。
引用
@article{arxiv.2308.04923,
title = {Deep Learning-Based Prediction of Fractional Flow Reserve along the Coronary Artery},
author = {Nils Hampe and Sanne G. M. van Velzen and Jean-Paul Aben and Carlos Collet and Ivana Išgum},
journal= {arXiv preprint arXiv:2308.04923},
year = {2023}
}