利用人工智能对血管组织钙化进行表型分析
计算机视觉与模式识别
2024-01-18 v2 数据分析、统计与概率
定量方法
组织与器官
摘要
血管钙化被认为是主要不良心血管事件（MACE）的重要因素，包括心脏病发作和中风。关于如何将不同形式的血管钙化整合到临床风险评估工具中，仍存在争议。即使是常用的冠状动脉钙化评分，其假设风险与总钙化量正相关，也存在重要的不一致之处。需要进行基础研究来确定风险如何受不同钙化表型的影响。然而，此类研究因缺乏高通量、客观且非破坏性的工具来对成像数据集中的钙化进行分类而受到阻碍。在此，我们引入一种新的钙化表型分类系统，以及一个半自动化、非破坏性的流程，该流程甚至能在动脉粥样硬化组织中区分这些表型。该流程包括一个基于深度学习的框架，用于在噪声显微 CT 图像中分割脂质池，以及一个无监督聚类框架，用于根据大小、聚集度和拓扑结构对钙化进行分类。该方法在五个血管样本上进行了演示，在不到七小时内对多达 3200 张图像中的数千个钙化颗粒进行了表型分析。尽管这些组织具有高度异质性，仅需在 13 张图像上进行训练和验证，组织和脂质池的平均 Dice 相似系数分别可达 0.96 和 0.87。通过引入一种高效且全面的钙化表型分析方法，这项工作使得大规模研究能够识别出更可靠的心血管事件风险指标，而心血管事件是全球死亡和发病的主要原因。
引用
@article{arxiv.2401.07825,
title = {Phenotyping calcification in vascular tissues using artificial intelligence},
author = {Mehdi Ramezanpour and Anne M. Robertson and Yasutaka Tobe and Xiaowei Jia and Juan R. Cebral},
journal= {arXiv preprint arXiv:2401.07825},
year = {2024}
}