DeepVox与SAVE-CT：一种基于CT扫描的对比剂与剂量无关的3D深度学习胸主动脉分割及动脉瘤预测方法
图像与视频处理
2023-10-25 v1 计算机视觉与模式识别
机器学习
摘要
胸主动脉瘤（TAA）是一种致命疾病，可随主动脉进行性扩张导致夹层或破裂。其通常无症状且筛查建议有限。金标准评估通过计算机断层扫描血管造影（CTA）及放射科医生耗时的评估进行。针对其他适应症的扫描可辅助该筛查，然而若在未行对比增强或低剂量协议下采集，除增加放射科医生的扫描量外，还会使临床评估困难。本研究纳入587例独特CT扫描，包括对照与TAA患者，采集于低剂量与标准剂量协议下，含或不含对比增强。新型分割模型DeepVox在开发集与测试集上的Dice系数分别为0.932与0.897，且较文献报道模型训练更快。新型TAA分类模型SAVE-CT仅以DeepVox的二值分割掩码为输入，无需手工设计特征，在开发集与测试集上准确率分别为0.930与0.922。这两模型共同构成一种潜在的TAA筛查方案，因其可处理可变切片数作为输入，涵盖胸部与胸腹序列，实现完全自动化的对比剂与剂量无关评估。这有助降低TAA死亡率并优化放射科医生的患者评估队列。
引用
@article{arxiv.2310.15328,
title = {DeepVox and SAVE-CT: a contrast- and dose-independent 3D deep learning approach for thoracic aorta segmentation and aneurysm prediction using computed tomography scans},
author = {Matheus del-Valle and Lariza Laura de Oliveira and Henrique Cursino Vieira and Henrique Min Ho Lee and Lucas Lembrança Pinheiro and Maria Fernanda Portugal and Newton Shydeo Brandão Miyoshi and Nelson Wolosker},
journal= {arXiv preprint arXiv:2310.15328},
year = {2023}
}
备注
23 pages, 4 figures, 7 tables