基于冠状动脉CTA诊断病变特异性心肌缺血的人工智能研究
发布时间：2021-09-01 05:12
第一部分基于冠状动脉CTA诊断病变特异性心肌缺血的影像组学和机器学习研究[目的]以有创性冠状动脉血流储备分数（Fractional flow reserve,FFR）为标准,基于冠状动脉 CTA（Coronary computed tomography angiography,CCTA）诊断病变特异性心肌缺血的价值有限。影像组学方法可以从图像中高通量地提取特征,以辅助临床医生进行疾病的诊断。本文旨在建立并评估影像组学联合机器学习的模型,基于CCTA图像上左心室心肌特征,以有创FFR为参考标准,评价该模型对病变特异性心肌缺血的诊断效能,并与CCTA及有创性冠状动脉造影（Invasie coronary angiography,ICA）所判定的心肌缺血结果相比较。[材料和方法]本研究纳入来自中国多中心CT-FFR研究-1中的283例疑似或者确诊为冠心病患者的CCTA以及3个月以内行ICA和有创FFR检查数据。根据患者有创FFR的结果,将患者分为两组:病变特异性心肌缺血组（FFR≤0.80）与非病变特异性心肌缺血组（FFR>0.80）。手动勾画出患者CCTA图像上左心室心肌（Left ...
【文章来源】：南方医科大学广东省
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
图１－２影像组学特征评估??ＦＦＲ＞．０?（ＡＦＦＲ．（Ｂ）
准确性??（图?１－４）。??ｍ?ｍ??—?＇＇?＇Ｉ?Ｓ?１?——１１１?ｌＴｉｇ＾??０９?ｌ〇．８?｜ｒ??０．８?］?ＩＩＩ??ｙ｜?ｉ??ｒ?ｉ??０．３?＇???????＇???＾卜?０?＾????—??０．３?０．４?０．５?０．６?０．７?０．８?０．９?１?０?０．２?０．４?０．６?０．８?１??Ｃｏｒｒｅｌａｔｉｏｎ?Ｔｈｒｅｓｈｏｌｄ?Ｆａｌｓｅ?Ｐｏｓｉｔｉｖｅ?Ｒａｔｅ?（１－?Ｓｐｅｃｉｆｉｃｉｔｙ）??图１－４训练集中所选特征的诊断效能??在相关阈值取０．６１时（Ａ），在训练集中模型达到最佳的诊断效能，此时ＲＯＣ曲线下面积??为?０．８７?（Ｂ）。??Ｆｉｇｕｒｅ?１－４?Ｄｉａｇｎｏｓｔｉｃ?ｐｅｒｆｏｒｍａｎｃｅ?ｏｆ?ｓｅｌｅｃｔｅｄ?ｆｅａｔｕｒｅｓ?ｏｎ?ｔｒａｉｎｉｎｇ?ｄａｔａｓｅｔ??Ｗｈｅｎ?ｔｈｅ?ｃｏｒｒｅｌａｔｉｏｎ?ｔｈｒｅｓｈｏｌｄ?ｉｓ?０．６１?（Ａ），?ｔｈｅ?ｍｏｄｅｌ?ｒｅａｃｈｅｓ?ｔｈｅ?ｂｅｓｔ?ｄｉａｇｎｏｓｔｉｃ?ｅｆｆｉｃｉｅｎｃｙ，?ａｎｄ??ｔｈｅ?ａｒｅａ?ｕｎｄｅｒ?ｔｈｅ?ＲＯＣ?ｃｕｒｖｅ?ｉｓ?０．８７?（Ｂ）．??在训练组中，上述选定的４１个影像组学特征预测心肌缺血的准确性为９２．９８％??（Ｃ－ｉｎｄｅｘ?０．９４８，?９５％ＣＩ：?０．９１９－０．９７７）。在验证组中，该模型对预测心肌缺血仍??然有较高的准确性（９２．７３％，?Ｃ－ｉｎｄｅｘ?０．９１９，?９５％?ＣＩ：０．８３０－１?？０００）（表?１－４）。两??组ＡＵＣ值差异无统计学意义（Ｐ＝０．５４１）。??２４??
?颂士学位论文???医生在需要修改的时候手动调整轮廓的边界与位置，以完成整个ＬＶＭ轮廓的勾??画。最后，所有患者手动分割的ＬＶＭ轮廓由一位高年资医生（１８年ＣＣＴＡ相关??的经验）进行检查，在需要时可以进行修正。??２．３深度学习分割模型的构建??在构建深度学习模型之前，我们首先手动勾画了?１００例患者的左心室心肌??轮廓作为深度学习方法从ＣＣＴＡ图像学习的参考。该深度学习模型由ｌｉ－Ｎｅｔ与??深度监督（Ｄｅｅｐ－ａｔｔｅｎｔｉｏｎ）构成，主要包括两部分：训练阶段与分割阶段。本研??宄的流程图如图２－１所示。在开始训练之前，我们先收集了?ＣＣＴＡ图像上的３０－??ｐａｔｃｈｅｓ?以及相对应的手工勾画的心肌轮廓。通过使用窗口大小为?５１２Ｘ５１２Ｘ３２??大小的体素窗口在图像Ｚ轴滑动以提取３Ｄ－ｐａｔｃｈｅｓ。使用数据增益（Ｄａｔａ??ａｕｇｍｅｎｔａｔｉｏｎ）的方法，比如翻转，旋转以及缩放来增加训练集的异型性。如图??２－１所示，该深度学习网络由编码路径和解码路径组成，长跳连接绕过从编码路??径提取的特征映射到解码路径。??￣ＣＴ?Ｄｗｐ？ｔ？ｎｔｉ〇ｎｕ－Ｎｒｔ￣￣?Ｃｏｎｔｏｕｒ??ＩＰ麵禱＋＿??－ｗｉｓｅ?＿??ｍｕＫｔｐｆ?ｃａｔｉｏｎ?［！ｊ?ＡｔｔｆｎｔｉＱａ?ｇａｔｅ??ＺＺＴＺ，??Ｓｉｇｍｏｉｄ??Ｉ?１?一ｎ?Ｌｉ＾Ｌ－ｌ?Ｉｉ＾ｌＩ??图２－１心肌分割的算法的示意流程图??第－行显示了用于训练深度监督Ｕ－Ｎｅｔ的工作流程，第二行显示了该模型对输入新患者??ＣＣＴＡ图像上左心室心肌的自动分割。??３５??
本文编号：3376328
【文章来源】：南方医科大学广东省
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
图１－２影像组学特征评估??ＦＦＲ＞．０?（ＡＦＦＲ．（Ｂ）
准确性??（图?１－４）。??ｍ?ｍ??—?＇＇?＇Ｉ?Ｓ?１?——１１１?ｌＴｉｇ＾??０９?ｌ〇．８?｜ｒ??０．８?］?ＩＩＩ??ｙ｜?ｉ??ｒ?ｉ??０．３?＇???????＇???＾卜?０?＾????—??０．３?０．４?０．５?０．６?０．７?０．８?０．９?１?０?０．２?０．４?０．６?０．８?１??Ｃｏｒｒｅｌａｔｉｏｎ?Ｔｈｒｅｓｈｏｌｄ?Ｆａｌｓｅ?Ｐｏｓｉｔｉｖｅ?Ｒａｔｅ?（１－?Ｓｐｅｃｉｆｉｃｉｔｙ）??图１－４训练集中所选特征的诊断效能??在相关阈值取０．６１时（Ａ），在训练集中模型达到最佳的诊断效能，此时ＲＯＣ曲线下面积??为?０．８７?（Ｂ）。??Ｆｉｇｕｒｅ?１－４?Ｄｉａｇｎｏｓｔｉｃ?ｐｅｒｆｏｒｍａｎｃｅ?ｏｆ?ｓｅｌｅｃｔｅｄ?ｆｅａｔｕｒｅｓ?ｏｎ?ｔｒａｉｎｉｎｇ?ｄａｔａｓｅｔ??Ｗｈｅｎ?ｔｈｅ?ｃｏｒｒｅｌａｔｉｏｎ?ｔｈｒｅｓｈｏｌｄ?ｉｓ?０．６１?（Ａ），?ｔｈｅ?ｍｏｄｅｌ?ｒｅａｃｈｅｓ?ｔｈｅ?ｂｅｓｔ?ｄｉａｇｎｏｓｔｉｃ?ｅｆｆｉｃｉｅｎｃｙ，?ａｎｄ??ｔｈｅ?ａｒｅａ?ｕｎｄｅｒ?ｔｈｅ?ＲＯＣ?ｃｕｒｖｅ?ｉｓ?０．８７?（Ｂ）．??在训练组中，上述选定的４１个影像组学特征预测心肌缺血的准确性为９２．９８％??（Ｃ－ｉｎｄｅｘ?０．９４８，?９５％ＣＩ：?０．９１９－０．９７７）。在验证组中，该模型对预测心肌缺血仍??然有较高的准确性（９２．７３％，?Ｃ－ｉｎｄｅｘ?０．９１９，?９５％?ＣＩ：０．８３０－１?？０００）（表?１－４）。两??组ＡＵＣ值差异无统计学意义（Ｐ＝０．５４１）。??２４??
?颂士学位论文???医生在需要修改的时候手动调整轮廓的边界与位置，以完成整个ＬＶＭ轮廓的勾??画。最后，所有患者手动分割的ＬＶＭ轮廓由一位高年资医生（１８年ＣＣＴＡ相关??的经验）进行检查，在需要时可以进行修正。??２．３深度学习分割模型的构建??在构建深度学习模型之前，我们首先手动勾画了?１００例患者的左心室心肌??轮廓作为深度学习方法从ＣＣＴＡ图像学习的参考。该深度学习模型由ｌｉ－Ｎｅｔ与??深度监督（Ｄｅｅｐ－ａｔｔｅｎｔｉｏｎ）构成，主要包括两部分：训练阶段与分割阶段。本研??宄的流程图如图２－１所示。在开始训练之前，我们先收集了?ＣＣＴＡ图像上的３０－??ｐａｔｃｈｅｓ?以及相对应的手工勾画的心肌轮廓。通过使用窗口大小为?５１２Ｘ５１２Ｘ３２??大小的体素窗口在图像Ｚ轴滑动以提取３Ｄ－ｐａｔｃｈｅｓ。使用数据增益（Ｄａｔａ??ａｕｇｍｅｎｔａｔｉｏｎ）的方法，比如翻转，旋转以及缩放来增加训练集的异型性。如图??２－１所示，该深度学习网络由编码路径和解码路径组成，长跳连接绕过从编码路??径提取的特征映射到解码路径。??￣ＣＴ?Ｄｗｐ？ｔ？ｎｔｉ〇ｎｕ－Ｎｒｔ￣￣?Ｃｏｎｔｏｕｒ??ＩＰ麵禱＋＿??－ｗｉｓｅ?＿??ｍｕＫｔｐｆ?ｃａｔｉｏｎ?［！ｊ?ＡｔｔｆｎｔｉＱａ?ｇａｔｅ??ＺＺＴＺ，??Ｓｉｇｍｏｉｄ??Ｉ?１?一ｎ?Ｌｉ＾Ｌ－ｌ?Ｉｉ＾ｌＩ??图２－１心肌分割的算法的示意流程图??第－行显示了用于训练深度监督Ｕ－Ｎｅｔ的工作流程，第二行显示了该模型对输入新患者??ＣＣＴＡ图像上左心室心肌的自动分割。??３５??
本文编号：3376328
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3376328.html
