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

news2024/12/23 13:48:02

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.coloradmin.cn/o/1646966.html

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,一经查实,立即删除!

相关文章

Problem 5: Whack-A-Mole打地鼠

实战题&#xff1a;打地鼠 内容如附件所示&#xff1a; 测试数据为:1,2,4,8,9,10,11,14 答案为&#xff1a;10,2,4 原始分布&#xff1a; 击打10号 击打2号 击打4号 要求&#xff0c;所示实例解以图示的方式给出&#xff0c;并且5组测试数据都需要测试&#xff0c;…

力扣每日一练(螺旋矩阵)

54. 螺旋矩阵 - 力扣&#xff08;LeetCode&#xff09; 给你一个 m 行 n 列的矩阵 matrix &#xff0c;请按照 顺时针螺旋顺序 &#xff0c;返回矩阵中的所有元素。 示例 1&#xff1a; 输入&#xff1a;matrix [[1,2,3],[4,5,6],[7,8,9]] 输出&#xff1a;[1,2,3,6,9,8,7,4,…

获取转转数据,研究完转转请求,tx在算法方面很友好。

本篇文章仅供学习讨论。 文章中涉及到的代码、实例&#xff0c;仅是个人日常学习研究的部分成果。 如有不当&#xff0c;请联系删除。 在研究完阿里的算法以后&#xff08;其实很难说研究完&#xff0c;还有很多内容没有研究透&#xff0c;只能说暂时告一段落&#xff09;&…

关于IDEA中项目中各个方法、引用、注解等全部报错的情况

今天打开项目弹出很多提示框&#xff0c;也没注意&#xff0c;然后突然发现项目所有都在报错&#xff0c;不管是启动类还是方法类&#xff0c;各种注解、方法、引用等全红了&#xff0c;随便打开一个都是密密麻麻全红。 首先排查依赖和JDK等引用问题&#xff0c;包括我们的mave…

jquery项目 html使用export import方式调用模块

jquery的老项目&#xff0c;引入vue3, 需要方便使用export, import方式引用一些常用的方法与常量 导出模块 export js/numberUtil.js /*** Description:* Author Lani* date 2024/1/10*//* * 【金额】 保留2位小数&#xff0c;不四舍五入 * 5.992550 >5.99 , 2 > 2.…

力扣:63. 不同路径 II

63. 不同路径 II 一个机器人位于一个 m x n 网格的左上角 &#xff08;起始点在下图中标记为 “Start” &#xff09;。 机器人每次只能向下或者向右移动一步。机器人试图达到网格的右下角&#xff08;在下图中标记为 “Finish”&#xff09;。 现在考虑网格中有障碍物。那么…

C++:多继承虚继承

在C中&#xff0c;虚继承&#xff08;Virtual Inheritance&#xff09;是一种特殊的继承方式&#xff0c;用于解决菱形继承&#xff08;Diamond Inheritance&#xff09;问题。菱形继承指的是一个类同时继承自两个或更多个具有共同基类的类&#xff0c;从而导致了多个实例同一个…

Apache POI入门学习

Apache POI入门学习 官网地址 excel中使用到的类读取excel表格内容表格内容maven依赖方式一测试结果 方式二测试结果 向excel中写入数据方式一方式二方式三测试结果 从 Excel 工作表中的公式单元格读取数据测试结果 Excel 工作表中写入公式单元格从受密码保护的Excel中读取数据…

opencv图片的平移-------c++

图片平移 cv::Mat opencvTool::translateImage(const cv::Mat& img, int dx, int dy) {// 获取图像尺寸int rows img.rows;int cols img.cols;// 定义仿射变换矩阵cv::Mat M (cv::Mat_<float>(2, 3) << 1, 0, dx, 0, 1, dy);// 进行仿射变换cv::Mat dst;cv…

Linux-信号概念

1. 什么是信号 信号本质是一种通知机制&#xff0c;用户or操作系统通过发送信号通知进程&#xff0c;进程进行后续处理 在日常生活中就有很多例子&#xff0c;比如打游戏方面王者荣耀的“进攻”&#xff0c;“撤退”&#xff0c;“请求集合”&#xff0c;“干得漂亮&#xff01…

第一篇:刚接触测试你应该知道什么

欢迎你接触软件测试这一行业。 刚接触它时&#xff0c;你肯定或多或少会有疑惑&#xff0c;我该做什么&#xff1f;大家口口相传的软件测试就是 【点点点】 真的是你日常的工作吗&#xff1f; 那么本文我将陪你一起&#xff0c;对我们刚接触到测试这个工作以后&#xff0c;应该…

第七节课《OpenCompass司南--大模型评测实战》

OpenCompass 大模型评测实战_哔哩哔哩_bilibili https://github.com/InternLM/Tutorial/blob/camp2/opencompass/readme.md InternStudio 一、通过评测促进模型发展 面向未来拓展能力维度&#xff1a;评测体系需增加新能力维度&#xff08;数学、复杂推理、逻辑推理、代码和…

[SUCTF 2019]CheckIn 1

解题步骤 上传木马图片&#xff0c;命名为b.php GIF89a <script languagephp>eval($_POST[cmd])</script>bp抓包&#xff0c;修改数据&#xff1b;然后可看到上传的文件 上传.user.ini文件&#xff0c;内容编写如下&#xff0c;然后bp抓包修改文件类型 GIF8…

MOS产品在光伏逆变器上的应用和产品选型

2023年全球光伏装机量表现优异&#xff0c;根据BloombergNEF统计数据&#xff0c;2023年全球光伏新增装机量444GW&#xff0c;同比增长76.2%&#xff0c;其中约一半新增装机量来自中国。 中国光伏新技术迭代不断&#xff0c;产业链降本增效加速。根据CPIA数据&#xff0c;2022年…

简述 BIO 、NIO 模型

BIO : 同步阻塞I/O&#xff08;Block IO&#xff09; 服务器实现模式为每一个连接一个线程&#xff0c;即客户端有连接请求时服务器就需要启动一个线程进行处理&#xff0c;如果这个连接不做任何事情会造成不必要的线程开销&#xff0c;此处可以通过线程池机制进行优化。 impo…

新的项目springboot

buybuyshenglombok <dependency><groupId>org.projectlombok</groupId><artifactId>lombok</artifactId></dependency> 添加依赖 lombok package com.example.demo.pojo;import lombok.AllArgsConstructor; import lombok.Data; import …

【机器学习与实现】线性回归分析

目录 一、相关和回归的概念&#xff08;一&#xff09;变量间的关系&#xff08;二&#xff09;Pearson&#xff08;皮尔逊&#xff09;相关系数 二、线性回归的概念和方程&#xff08;一&#xff09;回归分析概述&#xff08;二&#xff09;线性回归方程 三、线性回归模型的损…

BigDecimal:踩坑

问题描述 两个BigDecimal相除, 抛了异常 原因分析&#xff1a; Java 中使用 BigDecimal 做除法运算的时候&#xff0c;值有可能是无限循环的小数&#xff0c;结果是无限循环的小数&#xff0c;就会抛出上面这个异常。 来看看源码&#xff1a; public BigDecimal divide(BigD…

马常旭新歌《如愿》:音乐界的“旭日”再现

在这个春暖花开的季节&#xff0c;音乐界又迎来了一股清新的“旭日”气息。是的&#xff0c;就在2024年4月17日&#xff0c;马常旭的新歌《如愿》&#xff08;旭日版&#xff09;在网易云音乐上线了&#xff01;一年的等待&#xff0c;终于迎来了他的音乐回归&#xff0c;给我们…

【3D基础】坐标转换——地理坐标投影到平面

汤国安GIS原理第二章重点 1.常见投影方式 https://download.csdn.net/blog/column/9283203/83387473 Web Mercator投影&#xff08;Web Mercator Projection&#xff09;&#xff1a; 优点&#xff1a; 在 Web 地图中广泛使用&#xff0c;易于显示并与在线地图服务集成。在较…