Segmentazione completamente automatizzata che include lume, trombo e calcificazione.

Punti chiave

• Le reti neurali convoluzionali (CNN) sono diventate il riferimento per la segmentazione delle immagini mediche.
• La CNN ha fornito una segmentazione accurata del lume arterioso, del trombo e delle calcificazioni.
• È stato raggiunto il rilevamento automatico corretto dell'86% delle principali arterie collaterali.
• La segmentazione aorto-iliaca complessa completamente automatica è fattibile e accurata.

Obiettivo

• L'intelligenza artificiale e le tecnologie di gemelli digitali offrono un nuovo modo per pianificare gli interventi endovascolari e possono aiutare i medici ad anticipare le complicazioni. L'accuratezza di questi metodi si basa su una segmentazione aortica automatizzata affidabile, che includa trombo intraluminale (ILT), calcificazioni e rilevamento delle arterie collaterali. L'obiettivo di questo studio è stato convalidare un nuovo algoritmo di segmentazione aortica basato su deep learning completamente automatizzato, utilizzabile per la generazione ottimizzata di gemelli digitali.

Metodi

• Dopo l'addestramento su 1280 scansioni di angio-TC, di cui 1000 per il pre-addestramento e 280 per la messa a punto, una rete neurale convoluzionale basata su un'architettura U-Net è stata validata esternamente su 48 scansioni di angio-TC per segmentare il lume, le arterie collaterali, l'ILT e le calcificazioni parietali dell'aorta addominale e delle arterie iliache. Per creare il confronto con la verità fondamentale (ground truth), sono state eseguite segmentazioni in cieco, corrette manualmente da un radiologo senior e da un chirurgo.

Risultati

• Il confronto tra i metodi di segmentazione completamente automatizzati e quelli corretti manualmente ha rivelato un coefficiente di similarità di Dice medio di 0,97 ± 0,01, 0,94 ± 0,05 e 0,87 ± 0,04 rispettivamente per il lume aortico, l'ILT e le calcificazioni. La distanza superficiale media è stata di 0,30 ± 0,15, 0,61 ± 0,72 e 0,28 ± 0,28 mm rispettivamente per il lume aortico, l'ILT e le calcificazioni. Il tempo medio di segmentazione con il metodo completamente automatizzato è stato di quattro minuti e 20 secondi.

Conclusione

• L'algoritmo di deep learning sviluppato in questo studio ha fornito una segmentazione aorto-iliaca valida, rapida e accurata. Questo può essere utilizzato per generare automaticamente gemelli digitali aortici affidabili per la pianificazione della riparazione endovascolare dell'aorta.

‍

Leggi l'articolo completo "Validazione di un algoritmo U-Net di deep learning per la segmentazione multistruttura degli aneurismi dell'aorta addominale sottorenale, inclusi lume di flusso, trombo e calcificazioni".