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:/a/595551.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

ASP.NET网络商店销售管理系统的设计与实现

摘 要 随着软件技术的不断进步和发展&#xff0c;信息化的管理方式越来越广泛的应用于各个领域&#xff0c;对于任何网站系统的管理来说开发一套现代化的成员管理软件是十分必要的。通过这样的软件系统&#xff0c;可以做到成员的规范管理和快速查询&#xff0c;从而减少管理…

TPV-W5 24V 48V 系列——正负双输出和单输出,工业级环境温度,用于PCB安装的国际标准结构

TPV-W5系列提供正负双输出和单输出&#xff0c;工业级环境温度&#xff0c;用于PCB安装的国际标准结构。此系列产品小巧&#xff0c;效率高&#xff0c;低输出纹波及能承受3000V以上的耐压&#xff0c;用于需要正负电压或单输出和高隔离电压的场合。封装有SIP和DIP可选。

JAVA基础之线程池原理与源码简读

线程 线程是调度CPU资源的最小单位&#xff0c;线程模型分为KLT和ULT模型&#xff0c;JVM使用的KLT模型java线程与OS线程保持1:1的映射关系&#xff0c;也就是说每一个java线程对应操作系统一个线程。Java线程有以下几种生命状态&#xff1a; NEW&#xff1a;新建状态RUNNABL…

单调栈|503.下一个更大元素II

力扣题目链接 class Solution { public:vector<int> nextGreaterElements(vector<int>& nums) {// 拼接一个新的numsvector<int> nums1(nums.begin(), nums.end());nums.insert(nums.end(), nums1.begin(), nums1.end());// 用新的nums大小来初始化resu…

我独自升级崛起在哪下载 我独自升级电脑PC端下载教程分享

将于5月8日在全球舞台闪亮登场的动作角色扮演游戏《我独自升级崛起》&#xff0c;灵感源自同名热门动画与网络漫画&#xff0c;承诺为充满激情的游戏玩家群体带来一场集深度探索与广阔体验于一身的奇幻旅程。该游戏以独特的网络武侠世界观为基底&#xff0c;展现了一位普通人踏…

[Java、Android面试]_22_APP启动流程(中频问答)

欢迎查看合集&#xff1a; Java、Android面试高频系列文章合集 本人今年参加了很多面试&#xff0c;也有幸拿到了一些大厂的offer&#xff0c;整理了众多面试资料&#xff0c;后续还会分享众多面试资料。 整理成了面试系列&#xff0c;由于时间有限&#xff0c;每天整理一点&am…

【个人博客搭建】(17)使用FluentValidation 参数校验

FluentValidation 是一个用于 .NET 的开源验证库&#xff0c;它提供了一种流畅的接口和强类型验证规则&#xff0c;使得验证逻辑表达得更加清晰和简洁。&#xff08;Apache-2.0&#xff09; FluentValidation 的主要作用包括&#xff1a; 提高代码可读性&#xff1a;通过使用 F…

Python ArcPy批量将大量栅格文件的投影坐标系转为地理坐标系

本文介绍基于Python语言中的ArcPy模块&#xff0c;批量将多个遥感影像由投影坐标系转为地理坐标系的方法。 在之前的文章中&#xff0c;我们介绍过将单独1景遥感影像的投影坐标系转为地理坐标系的方法&#xff0c;大家可以参考文章投影坐标系转为地理坐标系&#xff1a;GDAL命令…

Voice Conversion、DreamScene、X-SLAM、Panoptic-SLAM、DiffMap、TinySeg

本文首发于公众号&#xff1a;机器感知 Voice Conversion、DreamScene、X-SLAM、Panoptic-SLAM、DiffMap、TinySeg Converting Anyones Voice: End-to-End Expressive Voice Conversion with a Conditional Diffusion Model Expressive voice conversion (VC) conducts speak…

【爬虫】爬取A股数据写入数据库(一)

1. 对东方财富官网的分析 步骤&#xff1a; 通过刷新网页&#xff0c;点击等操作&#xff0c;我们发现https://datacenter-web.eastmoney.com/api/data/v1/get?请求后面带着一些参数即可以获取到相应数据。我们使用python来模拟这个请求即可。 我们以如下选择的页面为切入点…

滑动窗口 | 1652. 拆炸弹 |LeetCode

文章目录 题目介绍暴力(可以过力扣竟然。不愧是简单题)&#xff1a;滑动窗口 祝你天天开心 题目介绍 你有一个炸弹需要拆除&#xff0c;时间紧迫&#xff01;你的情报员会给你一个长度为 n 的 循环 数组 code 以及一个密钥 k 。 为了获得正确的密码&#xff0c;你需要替换掉每…

关系型数据库MySql分库分表带来的问题以及解决方案

水平分表 水平分表是什么&#xff1f; 将一张表横向拆分为多张表&#xff0c;拆分的表&#xff0c;依然在同一个库中。 例如&#xff0c;user表有400w条记录&#xff0c;将user表拆分成4张表&#xff0c;每张表100w条记录。拆分后的表名&#xff0c;分别叫做user_0、user1、u…

内网用户是如何连接上互联网的?详解NAT网络地址转换技术

背景 https://blog.csdn.net/weixin_43972437/article/details/107344633 不知道你有没有过困惑&#xff0c;都说现在 ipv4 地址耗尽了&#xff0c;但是我们为什么还能上网呢&#xff1f;原来这都要归功于 NAT 网络地址转换技术。 比如我们接入了中国移动的宽带&#xff0c;宽…

重学SpringBoot3-SPI机制

更多SpringBoot3内容请关注我的专栏&#xff1a;《SpringBoot3》 期待您的点赞&#x1f44d;收藏⭐评论✍ 重学SpringBoot3-SPI机制 什么是 SPI&#xff1f;Spring Boot 中的 SPI 机制spring.factories 文件自动配置的实现启动流程中的作用 SPI实际应用步骤 1: 新建模块步骤 2:…

扩展学习|一文读懂知识图谱

一、知识图谱的技术实现流程及相关应用 文献来源&#xff1a;曹倩,赵一鸣.知识图谱的技术实现流程及相关应用[J].情报理论与实践,2015, 38(12):127-132. &#xff08;一&#xff09;知识图谱的特征及功能 知识图谱是为了适应新的网络信息环境而产生的一种语义知识组织和服务的方…

HarmonyOS开发案例:【卡片二级联动】

1 卡片介绍 使用ArkTS语言&#xff0c;实现一个导航与内容二级联动的效果。 2 标题 二级联动&#xff08;ArkTS&#xff09; 3 介绍 介绍了如何基于List组件实现一个导航和内容的二级联动效果。样例主要包含以下功能&#xff1a; 切换左侧导航&#xff0c;右侧滚动到对应…

自定义类型②③——联合体和枚举

自定义类型②③——联合体和枚举 1.联合体1.1 联合体类型的声明1.2 联合体的特点1.3 相同成员结构体和联合体的对比1.4 联合体大小的计算1.5 联合体的应用①1.5 联合体的应用② 2. 枚举2.1 枚举类型的声明2.2 枚举类型的特点2.3 枚举的优点 1.联合体 1.1 联合体类型的声明 关…

Python sqlite3库 实现 数据库基础及应用 输入地点,可输出该地点的爱国主义教育基地名称和批次的查询结果。

目录 【第11次课】实验十数据库基础及应用1-查询 要求: 提示: 运行结果&#xff1a; 【第11次课】实验十数据库基础及应用1-查询 声明&#xff1a;著作权归作者所有。商业转载请联系作者获得授权&#xff0c;非商业转载请注明出处。 1.简答题 数据库文件Edu_Base.db&#…

有什么方便的教学口语软件?6个软件教你快速练习口语

有什么方便的教学口语软件&#xff1f;6个软件教你快速练习口语 以下是六个方便实用的教学口语软件&#xff0c;它们可以帮助您快速练习口语&#xff1a; AI外语陪练: 这是一款知名的语言学习软件&#xff0c;提供多种语言的口语练习课程。它采用沉浸式的学习方法&#xff0…

【数字图像处理笔记】Matlab实现图像平滑算法 均值-中值-高斯滤波 (三)

&#x1f48c; 所属专栏&#xff1a;【数字图像处理笔记】 &#x1f600; 作  者&#xff1a;我是夜阑的狗&#x1f436; &#x1f680; 个人简介&#xff1a;一个正在努力学技术的CV工程师&#xff0c;专注基础和实战分享 &#xff0c;欢迎咨询&#xff01; &#x…