这项回顾性研究使用匿名数据从多个中心收集的473例患者。这个人群的平均年龄为80.82±7.18岁,55%的病人是女性。有36僧帽病人在这个队列。病人数据包括体积多层螺旋ct图像获得计划泰薇过程。因此,所有多层螺旋ct图像增强对比度,包含一定程度的主动脉瓣狭窄。平均行、列和多层螺旋ct图像的切片厚度是512.05毫米,511.85毫米和0.83毫米。主动脉环的飞机(AAP)从体积多层螺旋ct图像手动确认使用标准方法[ 7),并作为输入用于这项研究。回顾性研究,正式同意不是必需的。

主动脉环的边界被观察者从主动脉环手动确认飞机1。观察者1的数据被认为是地面真理在这个研究。观察者2重复这对随机选取的118名病人为了评估interoperator可变性。观察者应用相同的手动方法,它由视觉检测主动脉环在AAP和注释使用模仿创新套件18(出现,鲁汶,比利时)。

本研究旨在自动化手动分割和获取临床患者信息作为后处理步骤。地面实况图像的预处理和主动脉环注释是必要的为了准备培训深度学习的数据模型。

主动脉环的飞机是剪和重新取样,以适合神经网络的输入。主动脉环的飞机是一个各向同性1毫米决议重新取样。深入学习网络预计128×128像素平面作为输入,重新取样主动脉环平面被夹在主动脉环的中心。第二个各向同性的0.5毫米决议生成和剪以同样的方式以分割的细节水平的两倍。三次样条插值是为了留住原Hounsfield单位重新取样主动脉环飞机(图 1)。生成二进制面具是为了教神经网络如何使用地面段主动脉环平面真理主动脉环(图的注释 1)。

深度学习模型需要一个架构,以过程重新取样、剪主动脉环的飞机和比较模型的输出二进制面具。使用架构的灵感来源于U-Net [ 8)和深度剩余网( 9),包括两条路径:降尺度和升级路径。降尺度路径从主动脉环平面提取信息,和升级路径将这些信息翻译成一个分段主动脉环。最后乙状结肠激活函数确保模型的输出包含概率值。深度学习的细节架构、培训和data-augmentation技术附录A中补充材料(可用 在这里)。

深度学习架构是用在训练阶段教深学习模型从主动脉段主动脉环的环状平面。

训练一个模型为每个决议后,检测策略被用来结合两种模型的输出和获得特定的解剖信息:主动脉环的面积和周长。

面积和周长的检测主动脉环的一个病人在两个步骤进行:深度学习步骤和后处理步骤。深度学习步骤期间,主动脉环的飞机由两个模型进行分析,并输出相结合和规范化输出概率识别感兴趣的地区。在后处理步骤,感兴趣的区域的轮廓是位于与精明的边缘检测 10从概率的输出。面积和周长都来自这个轮廓,作为最终的预测(图的输出检测阶段 2)。

作为最后一步,派生主动脉环尺寸被用来评估正确的假体的大小。周长是用来选择合适的美敦力公司Evolut TAVR假肢大小( https://www.medtronic.com/content/dam/medtronic-com/products/cardiovascular/heart-valves-transcatheter/corevalve-evolut-r/documents/201709637EN-Evolut-PRO-TAV-in-SAV-Interactive-Sizing-Guide-FINAL.pdf),该地区被用来识别假爱德华兹的智力测试3大小( https://www.accessdata.fda.gov/cdrh_docs/pdf14/P140031c.pdf)类似于制造商的分级矩阵用于临床实践。

Shapiro-Wilk测试为正态分布进行测试,和所有的预测分布是正态分布。皮尔森相关系数是计算评价之间的关系模型和两个观察者(有良好的相关性 R²> 0.9)。手动和自动地标位置之间的协议进行评估使用Wilcoxon签署的非参数测试(意义重大 p 值< 0.001)。Bland-Altman分析模型和观察者之间的面积和周长1和两个观察者之间进行。

所有的计算与泰坦在多核计算机上执行工作 X和P6000 gpu (NVIDIA公司,洛杉矶类似CA)。的开发模型和深度学习管道PyTorch v0.4.1 [ 11]。

该方法训练的两个模型,检测阶段验证使用interoperator变异性研究中使用的118名患者。通过使用相同的病人进行验证和观察者变异评估,可以比较两个观察者的方法。

检测阶段包括深度学习阶段和后处理阶段。深度学习阶段验证通过比较预测分割(模型)的分割两个观察者使用骰子系数。意味着骰子评分模型和观察者之间1是96%,而平均骰子分数模型和观察者2和观察者之间1和2是89%。得分越高意味着骰子预计模型和观察者之间1,因为从观察者模型训练数据1。

后处理阶段派生的面积和周长预测分割和验证通过比较预测面积和周长与面积和周长的观察员。当比较模型的预测解剖测量与数据的观察员,之间没有显著差异的模型和两个观察者测量领域。平均成对差异对所有测量约为零,这意味着预测解剖测量可用于相同的方式作为观察者1或2(表的输出 1)。

优秀的校正模型和观察者之间的价值观得到1(0.98)和周边(0.97)。观察者之间的相关性值1和2的面积(0.97)和周长(0.94)表明,手工方法是准确的(图 3)。

Bland-Altman情节的预测和度量(观察者1)面积和周长是描绘在图 4和 5。值得注意的是,当解释Bland-Altman情节,模型是可重复的,因为连续预测每个病人产生相同的输出。

验证的分割能力和所需的面积和周长的评估是验证方法的预测能力正确的假体大小(两个观察者相比)。预测的面积和周长被用来检索爱德华兹3和智慧美敦力公司Evolut TAVR假体大小。自动选择阀的大小比较阀大小造成的环形测量观察者。协议爱德华兹的智力测试3的比例模型和两个观察者之间几乎相同:0.86模型和观察者之间1和0.88之间的观察员。美敦力公司的协议比Evolut TAVR义肢模型和两个观察者之间的尺寸是相似的:0.89模型和观察者之间1和0.86之间的观察员(图 6)。

最后,相关报告的处理时间手动和自动的方法。自动处理时间从主动脉环平面分割,解剖测量,和假体大小低于1秒。

在这项工作中,一个自动化的方法,提出了促进和优化术前泰薇规划。它会自动预测主动脉环的周长、面积及基于多层螺旋ct图像。118名患者的方法验证评估其准确性,和结果表明,面积和周长可以预测在一个自动的,可再生的,快速、准确的方法通过结合两个网络的结果后处理步骤紧随其后。之间的差异主动脉环测量获得的手动和自动预测类似于两个独立的观察者之间的差异,这表明提出的方法的一个令人满意的精度。面积和周长也被用于检索建议假体大小爱德华兹3和智慧的美敦力公司渐屈线设备。自动确定测量导致设备大小选择协议和设备尺寸选择运营商1根据他的测量,这再次证实了足够的模型精度。总分析时间从主动脉环平面圣餐台大小低于1秒。

在文献中,已经进行了类似的研究。奎罗斯等人提出了一种检测方法正确的泰薇假肢大小使用主动脉从主动脉瓣环区域分割和统计形状模型( 12]。他们的全自动方法检测到92%的假体大小和他们的半自动方法100%。这单中心研究包括104例严重程度的钙化,二尖瓣修复术、心脏起搏器。作者介绍了35毫米的重叠区域²和40毫米²3可用假体尺寸之间的爱德华兹3和XT智慧。不幸的是,这种重叠区域很难评估方法的真正的预测能力,并与我们的结果进行比较。此外,最终的处理时间没有在这项研究报道。

我们的方法是基于一种不同的技术,在我们看来,比[描述的工作更进一步 12]。我们的研究包括主动脉瓣环周边地区;因此,假体的大小选择也可以扩展到周边地区相关的设备。接下来,多中心数据用于模型训练和验证,这可能表明鲁棒性未知的中心。没有重叠的地区使用为了遵循制造商的指导原则和离开的最终解释方法的输出医生。最后,处理时间大约是每个病人一秒钟,这使得快速的方法。

该方法可以检测主动脉环平面的面积和周长在几秒内,这可能影响减少运营商分析时间和错误在一个指数级增长的市场。如果这个方法是结合自动主动脉环平面检测方法,总时间减少会相当可观。除了减少时间的分析,因此,手术规划、医生节省时间是他/她从这个计划/分析中解放出来。同时,分析问题一个独立的自动化过程,提高输出质量。泰薇总成本降低的嵌入方法可以获得在软件允许手动修正(例如,纠正异常值)。这个嵌入也可以产生持续的学习平台的数据一个新病人,由专家验证,可以添加到训练数据集,从而提高未来的检测。

虽然方法已经被证明是可靠的,有一些限制有关电流的方法。在少数情况下,相对较大的分歧之间的区域从我们的模型和预测个体人类观察者。观察者1相比,最大的高估我们的模型相当于10%,最大的低估9%。然而,在这些情况下,观察者2倾向于同意预测值(1%观察者2和模型)之间的区别。这可能表明,模型具有广义超出地面真理;换句话说,它学会了超越老师的一些错误。预测周边和观察者的最大区别1相同的病人地区最大的区别(高估了7%)。建立区域和观察者之间的最小差异1低估了5%(3毫米的差别)。

应该注意的是,该方法不是泰薇规划工具,也不打算更换介入心脏病学家。还有其他测量所需的规划泰薇不包括在这项研究中。这些测量包括主动脉环平面的距离门口的冠状动脉,并发主动脉窦的面积,sinotubular结等,将在后续工作。这也将是有趣的测量方法前瞻性的影响。