文献速递:深度学习医学影像心脏疾病检测与诊断--从SPECT/CT衰减图中深度学习冠状动脉钙化评分提高了对重大不良心脏事件的预测

Title 

题目

Deep Learning Coronary Artery Calcium Scores from SPECT/CT Attenuation Maps Improve Prediction of Major Adverse Cardiac Events

从SPECT/CT衰减图中深度学习冠状动脉钙化评分提高了对重大不良心脏事件的预测

01

文献速递介绍

低剂量非门控CT衰减校正(CTAC)扫描常常在SPECT/CT心肌灌注成像中获取。尽管CTAC的图像质量特征上较低,但深度学习(DL)可以潜在地从这些扫描中自动量化冠状动脉钙化(CAC)。我们评估了使用DL模型得出的CAC量化结果,包括与专家注释的相关性以及与主要不良心血管事件(MACE)的关联。方法:我们训练了一个卷积长短期记忆DL模型,使用6608个研究(2个中心)自动量化CTAC扫描上的CAC,并在一个外部患者队列中评估了该模型,该队列中的患者没有已知的冠状动脉疾病(n = 2271),并在另一个中心获取。我们评估了DL和专家注释的CAC分数之间的一致性。我们还评估了DL自动获取的CAC类别(0、1-100、101-400或>400)与MACE(死亡、血管重建、心肌梗死或不稳定性心绞痛)之间的关联,这些分数是由经验丰富的读者手动推导出来的,并使用多变量Cox模型(根据年龄、性别、既往病史、灌注和射血分数进行调整)和净再分类指数进行评估。结果:在外部测试人群中,DL CAC为0的患者有908例(40.0%),1-100的有596例(26.2%),100-400的有354例(15.6%),400以上的有413例(18.2%)。DL CAC与专家注释的CAC类别一致性较好(线性加权k值为0.80),但DL CAC的获取时间少于2秒,而专家CAC约为2.5分钟。与CAC为零相比,DL CAC类别是MACE的独立危险因素,其风险比分别为CAC为1-100(2.20;95% CI,1.54-3.14;P <0.001)、CAC为101-400(4.58;95% CI,3.23-6.48;P <0.001)和CAC为400以上(5.92;95% CI,4.27-8.22;P <0.001)。总体而言,DL CAC的净再分类指数为0.494,与专家注释的CAC(0.503)类似。结论:来自SPECT/CT衰减校正图的DL CAC与专家CAC注释相符,并提供类似的风险分层,但可以自动获取。与仅使用SPECT心肌灌注相比,DL CAC分数改善了相当比例的患者的分类。

Method

方法

Patients who underwent SPECT/CT MPI with CTAC at 1 of 2 cen ters (Yale and Cardiovascular Imaging Technologies) were used to train the convLSTM. Patients who underwent SPECT/CT MPI from a third center (University of Calgary) were used as an external testing cohort. Patients without CTAC were excluded. For external testing, patients with a history of coronary artery disease (n 5 673), defined as previousmyocardial infarction or revascularization with either percutaneous coronary intervention or coronary artery bypass grafting (15), were excluded.Details of the clinical data acquisition are provided in the supplemental materials (available at http://jnm.snmjournals.org). The study protocolcomplied with the Declaration of Helsinki. The study was approved bythe institutional review board at all sites. To the extent allowed by datasharing agreements and institutional review board protocols, data andcodes used in this article will be shared on written request.

研究人群

接受了SPECT/CT MPI与CTAC扫描的患者,其中1中心为耶鲁大学,另1中心为心血管影像技术中心,用于训练convLSTM模型。来自第三个中心(卡尔加里大学)接受了SPECT/CT MPI的患者则用作外部测试队列。没有进行CTAC扫描的患者被排除在外。在外部测试中,具有冠状动脉疾病史(n = 673)的患者被排除,其定义为先前的心肌梗死或经皮冠状动脉介入术或冠状动脉旁路移植术进行过血管重建(15)。临床数据采集的详细信息在补充材料中提供(可在http://jnm.snmjournals.org找到)。该研究方案符合《赫尔辛基宣言》。该研究得到了所有研究机构审查委员会的批准。根据数据共享协议和机构审查委员会的协议,本文中使用的数据和代码将根据书面请求进行分享。

Conclusion

结论

DL CAC derived from SPECT/CT attenuation maps agrees wellwith expert CAC annotations. DL and expert annotated CAC areassociated with MACE, but DL scores can be obtained automatically in a few seconds. DL CAC scores can be quantified automatically after SPECT/CT MPI, without impeding clinical workflow,to improve classification of a significant proportion of patients.

来自SPECT/CT衰减图的DL CAC与专家注释的CAC一致。DL和专家注释的CAC与MACE相关联,但DL分数可以在几秒钟内自动获得。在SPECT/CT MPI后,DL CAC分数可以自动量化,不会妨碍临床工作流程,从而改善相当比例患者的分类。

Figure

图片

FIGURE 1. Outline of model architecture. ConvLSTM includes network trained to segment CAC, as well as second network for segmentation of heart, which limits CAC scoring. Softmax argmax function normalizes output of network to expected probabilities. Model identifies coronary calcium(red) and noncoronary calcium (green) within heart mask.

图1. 模型架构概述。ConvLSTM包括用于分割CAC的网络,以及用于限制CAC评分的心脏分割的第二个网络。Softmax argmax函数将网络的输出归一化为预期的概率。模型在心脏掩模内识别冠状动脉钙化(红色)和非冠状动脉钙化(绿色)。

图片

FIGURE 2. Examples of expert scores compared with DL CAC scores. Model identifies coronary calcium (red) and noncoronary calcium (green). In case 1, expert and DL annotations identified simi lar left circumflex CAC as well as ascending aorta calcium. No CAC was identified by either expertor DL scoring in case 2. In case 3, expert and DL annotations identified similar right coronary arteryCAC as well as mitral annular calcification. BMI 5 body mass index.

图2. 专家评分与DL CAC评分的示例比较。模型识别冠状动脉钙化(红色)和非冠状动脉钙化(绿色)。在案例1中,专家和DL注释识别了类似的左回旋支CAC以及升主动脉钙化。在案例2中,专家或DL评分均未识别到CAC。在案例3中,专家和DL注释识别了类似的右冠状动脉CAC以及二尖瓣环钙化。BMI表示身体质量指数。

图片

FIGURE 3. Concordance matrix between DL and expert CAC categories in external testing population.

图3. 外部测试人群中DL和专家CAC类别之间的一致性矩阵。

图片

FIGURE 4. Kaplan–Meier survival curves for MACE. Increasing CAC category was associated with increasing risk of MACE for DL and expert annotated CAC scores on SPECT/CT attenuation maps.

图4.Kaplan-Meier生存曲线的MACE。在SPECT/CT衰减图上,DL和专家注释的CAC分数与MACE的风险增加相关。

图片

FIGURE 5.  Results of net-reclassification analysis. We assessed addition of CAC categories to full multivariable model outlined in Table 2.

图5. 净再分类分析结果。我们评估了将CAC类别添加到表2中概述的完整多变量模型中的效果。

Table

图片

TABLE 1 External Testing: Patient Characteristics According to CAC Category Determined by Deep-Learning Model

表1 外部测试:根据深度学习模型确定的CAC类别的患者特征

图片

TABLE 2 Associations with MACE

 表2 MACE相关性

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/832601.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

java之web笔记

1.Servlet技术 1.1 JavaWeb概述 在Sun的Java Servlet规范中&#xff0c;对Java Web应用作了这样定义:“JavaWeb应用由一组Servlet、HTML页、类、以及其它可以被绑定的资源构成。它可以在各种供应商提供的实现Servlet规范的Servlet容器中运行。 Java Web应用中可以包含如下内容…

智能AI摄像头项目

项目概要 硬件说明&#xff1a;易百纳rv1126 38板&#xff0c;易百纳GC2053摄像头&#xff0c;拓展版&#xff08;自绘&#xff09;&#xff0c;屏幕驱动板&#xff08;自绘&#xff09;&#xff0c;3.1inch mipi屏&#xff0c;FT5316触摸屏 开发环境 硬件分析 开发环境及sd…

语音识别---节拍器

⚠申明&#xff1a; 未经许可&#xff0c;禁止以任何形式转载&#xff0c;若要引用&#xff0c;请标注链接地址。 全文共计3077字&#xff0c;阅读大概需要3分钟 &#x1f308;更多学习内容&#xff0c; 欢迎&#x1f44f;关注&#x1f440;【文末】我的个人微信公众号&#xf…

深度神经网络中的不确定性研究综述

A.单一确定性方法 对于确定性神经网络&#xff0c;参数是确定的&#xff0c;每次向前传递的重复都会产生相同的结果。对于不确定性量化的单一确定性网络方法&#xff0c;我们总结了在确定性网络中基于单一正向传递计算预测y *的不确定性的所有方法。在文献中&#xff0c;可以找…

Scratch编程v3.29.1少儿编程工具

软件介绍 SCRATCH是一款由麻省理工学院&#xff08;MIT&#xff09;媒体实验室开发的图形化编程语言和集成开发环境&#xff08;IDE&#xff09;。它的目标是让编程变得有趣、直观且易学&#xff0c;尤其是针对儿童和青少年群体。通过SCRATCH&#xff0c;用户可以通过拖放代码…

Al加码,引爆“躺平式”旅游 | 最新快讯

旅游业正迎来新的技术浪潮。 文&#xff5c;锌刻度&#xff0c;作者&#xff5c;孟会缘&#xff0c;编辑&#xff5c;李季 今年的五一&#xff0c;“微度假”“微旅行”纷纷出圈。 相较于三亚、云南等老牌旅游大热门&#xff0c;人们开始寻找一些不用“人挤人”的小众旅行目的…

第一天学习(GPT)

1.图片和语义是如何映射的&#xff1f; **Dalle2&#xff1a;**首先会对图片和语义进行预训练&#xff0c;将二者向量存储起来&#xff0c;然后将语义的vector向量转成图片的向量&#xff0c;然后基于这个图片往回反向映射&#xff08;Diffusion&#xff09;——>根据这段描…

Ps 中 曲线和色阶的区别在哪里?

【官方解释】 在Photoshop中&#xff0c;曲线&#xff08;Curves&#xff09;和色阶&#xff08;Levels&#xff09;是两种调整图像色调和对比度的工具&#xff0c;它们有一些相似之处&#xff0c;但也有一些重要的区别。 调整方式: 曲线&#xff08;Curves&#xff09;&…

激发创新活力,泸州老窖锻造人才“铁军”(内附长江酒道短评)

执笔 | 姜 姜 编辑 | 古利特 刚刚站上300亿元新台阶&#xff0c;泸州老窖再次传来喜讯。 <<<左右滑动查看更多>>> 4月28日&#xff0c;四川省庆祝“五一”国际劳动节大会在成都召开。泸州老窖股份有限公司工业4.0项目秘书长赵丙坤、泸州老窖酿酒有限责任公…

测试环境搭建:JDK+Tomcat+Mysql+Redis

基础的测试环境搭建&#xff1a; LAMPLinux(CentOS、ubuntu、redhat)ApacheMysqlPHP LTMJLinux(CentOS、ubuntu、redhat)TomcatMysql(Oracle)RedisJava 真实的测试环境搭建&#xff1a;&#xff08;企业真实的运维&#xff09; 基于SpringBoot&#xff08;SpringCloud分布式微…

SpringMVC响应数据

三、SpringMVC响应数据 3.1 handler方法分析 理解handler方法的作用和组成&#xff1a; /*** TODO: 一个controller的方法是控制层的一个处理器,我们称为handler* TODO: handler需要使用RequestMapping/GetMapping系列,声明路径,在HandlerMapping中注册,供DS查找!* TODO: ha…

d3dcompiler_47.dll缺失怎么修复?,修复d3dcompiler_47.dll文件缺失的详细教程

d3dcompiler_47.dll缺失怎么修复&#xff1f;遇到这样的问题是不是不知道怎么办&#xff1f;如果你不知道该怎么办&#xff0c;那么小编这篇文章将教大家如何去解决d3dcompiler_47.dll文件缺失。 方法1&#xff1a;下载并安装d3dcompiler_47.dll文件 当出现找不到d3dcompiler_…

5月6号作业

申请该结构体数组&#xff0c;容量为5&#xff0c;初始化5个学生的信息 使用fprintf将数组中的5个学生信息&#xff0c;保存到文件中去 下一次程序运行的时候&#xff0c;使用fscanf&#xff0c;将文件中的5个学生信息&#xff0c;写入(加载)到数组中去&#xff0c;并直接输出学…

MySQL基础_5.多表查询

文章目录 一、多表连接1.1、笛卡尔积&#xff08;或交叉连接&#xff09; 二、多表查询&#xff08;SQL99语法&#xff09;2.1、内连接(INNER JOIN)2.2、内连接(INNER JOIN) 一、多表连接 多表查询&#xff0c;也称为关联查询&#xff0c;指两个或更多个表一起完成查询操作。 …

视频号是资本创造的伪风口?还是互联网的真机遇?

我是王路飞。 都说视频号是在模仿抖音。 短视频、直播&#xff0c;甚至是视频号小店&#xff0c;都在模仿。 所以很多人认为&#xff0c;视频号不过是资本创造的伪风口罢了&#xff0c;谈不上是下一个互联网风口所在。 到底是伪风口&#xff1f;还是互联网的真机遇&#xf…

WinForm DataGridView 垂直滑动条显示异常

WinForm DataGridView的垂直滑动条不正常显示&#xff0c;当总行高超过控件高度&#xff08;控件高度为227及以下不会出现该问题&#xff09;时&#xff0c;右下角会出现一个灰框&#xff0c;因为表格控件位处TabControl下&#xff0c;当切换其他选项卡后再切回来时&#xff0c…

超分辨率重建——BSRN网络训练自己数据集并推理测试(详细图文教程)

目录 一、BSRN网络总结二、源码包准备三、环境准备3.1 报错KeyError: "No object named BSRN found in arch registry!"3.2 安装basicsr源码包3.3 参考环境 四、数据集准备五、训练5.1 配置文件参数修改5.2 启动训练5.2.1 命令方式训练5.2.2 配置Configuration方式训…

python+barcode快速生成条形码(电商测试小工具)

背景 需要测试自助收银机&#xff0c;每次都要在线生成条码&#xff0c;而且生成次数还有限制 需求 满足自定义条形码&#xff0c;可以生成条形码图片 方案 python 3.8以上 barcode 1.0.4 python-barcode 0.15.1 代码 用于生成Code128条形码…

基于Springboot的校园志愿者管理系统(有报告)。Javaee项目,springboot项目。

演示视频&#xff1a; 基于Springboot的校园志愿者管理系统&#xff08;有报告&#xff09;。Javaee项目&#xff0c;springboot项目。 项目介绍&#xff1a; 采用M&#xff08;model&#xff09;V&#xff08;view&#xff09;C&#xff08;controller&#xff09;三层体系结…

LangChain框架学习总结

目录 一、简介 二、概念 三、组件具体介绍 3.1 Models 3.1.1 LLMs 3.1.2 Chat Models 3.1.3 Text Embedding Modesl 3.1.4 总结 3.2 Prompts 3.2.1 LLM Prompt Template 3.2.1.1 自定义PromptTemplate 3.2.1.2 partial PromptTemplate 3.2.1.3 序列化PromptTemplat…