Deep learning-based intravascular ultrasound segmentation for the assessment of coronary artery disease

血管内超声 医学 管腔(解剖学) 分割 支架 冠状动脉疾病 放射科 人工智能 冠状动脉 动脉 计算机科学 心脏病学 内科学
作者
Takeshi Nishi,Rikiya Yamashita,Shinji Imura,Kazuya Tateishi,Hideki Kitahara,Yoshio Kobayashi,Paul G. Yock,Peter J. Fitzgerald,Yasuhiro Honda
出处
期刊:International Journal of Cardiology [Elsevier]
卷期号:333: 55-59 被引量:28
标识
DOI:10.1016/j.ijcard.2021.03.020
摘要

Accurate segmentation of the coronary arteries with intravascular ultrasound (IVUS) is important to optimize coronary stent implantation. Recently, deep learning (DL) methods have been proposed to develop automatic IVUS segmentation. However, most of those have been limited to segmenting the lumen and vessel (i.e. lumen-intima and media-adventitia borders), not applied to segmenting stent dimension. Hence, this study aimed to develop a DL method for automatic IVUS segmentation of stent area in addition to lumen and vessel area.This study included a total of 45,449 images from 1576 IVUS pullback runs. The datasets were randomly split into training, validation, and test datasets (0.7:0.15:0.15). After developing the DL-based system to segment IVUS images using the training and validation datasets, we evaluated the performance through the independent test dataset.The DL-based segmentation correlated well with the expert-analyzed segmentation with a mean intersection over union (± standard deviation) of 0.80 ± 0.20, correlation coefficient of 0.98 (95% confidence intervals: 0.98 to 0.98), 0.96 (0.95 to 0.96), and 0.96 (0.96 to 0.96) for lumen, vessel, and stent area, and the mean difference (± standard deviation) of 0.02 ± 0.57, -0.44 ± 1.56 and - 0.17 ± 0.74 mm2 for lumen, vessel and stent area, respectively.This automated DL-based IVUS segmentation of lumen, vessel and stent area showed an excellent agreement with manual segmentation by experts, supporting the feasibility of artificial intelligence-assisted IVUS assessment in patients undergoing coronary stent implantation.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
科目三应助科研通管家采纳,获得10
刚刚
小二郎应助科研通管家采纳,获得10
刚刚
不配.应助科研通管家采纳,获得10
刚刚
粥可温应助科研通管家采纳,获得10
刚刚
刚刚
NexusExplorer应助科研通管家采纳,获得10
刚刚
香蕉觅云应助科研通管家采纳,获得10
刚刚
彭于晏应助科研通管家采纳,获得10
刚刚
刚刚
深情安青应助科研通管家采纳,获得10
1秒前
1秒前
1秒前
1秒前
健忘不言完成签到,获得积分10
2秒前
HEIKU应助晓倩采纳,获得20
2秒前
wsazah完成签到,获得积分10
3秒前
3秒前
ShujunOvO发布了新的文献求助10
3秒前
chens627完成签到,获得积分10
4秒前
4秒前
YuGe完成签到,获得积分10
4秒前
4秒前
朴素的代芹完成签到,获得积分10
4秒前
俭朴的乐巧完成签到 ,获得积分10
5秒前
5秒前
liu完成签到,获得积分10
5秒前
5秒前
贪玩千儿完成签到,获得积分10
6秒前
l玖完成签到 ,获得积分10
6秒前
胖橘梨花逻辑猫完成签到 ,获得积分10
6秒前
远了个方发布了新的文献求助10
7秒前
learnerZ_2023完成签到,获得积分10
7秒前
iNk应助沉静的世立采纳,获得10
7秒前
Maths完成签到,获得积分10
8秒前
淳于如雪发布了新的文献求助10
8秒前
山城完成签到 ,获得积分10
8秒前
啦啦啦发布了新的文献求助10
8秒前
张润泽完成签到 ,获得积分10
9秒前
太叔夜南完成签到,获得积分10
9秒前
yoga完成签到 ,获得积分10
9秒前
高分求助中
Sustainability in Tides Chemistry 2000
Microlepidoptera Palaearctica, Volumes 1 and 3 - 13 (12-Volume Set) [German] 1122
Дружба 友好报 (1957-1958) 1000
The Data Economy: Tools and Applications 1000
Mantiden - Faszinierende Lauerjäger – Buch gebraucht kaufen 700
PraxisRatgeber Mantiden., faszinierende Lauerjäger. – Buch gebraucht kaufe 700
A Dissection Guide & Atlas to the Rabbit 600
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3099914
求助须知:如何正确求助?哪些是违规求助? 2751373
关于积分的说明 7613446
捐赠科研通 2403368
什么是DOI,文献DOI怎么找? 1275253
科研通“疑难数据库(出版商)”最低求助积分说明 616318
版权声明 599053