换一批基于虚拟组织学-血管内超声的人工智能辅助冠状动脉CT血管成像斑块定量分析系统开发与验证
Development and validation of an artificial intelligence-powered coronary CT angiography analysis system using virtual histology intravascular ultrasound-derived radiomics for coronary plaque characterization
摘要目的 构建基于虚拟组织学-血管内超声(VH-IVUS)的冠状动脉CT血管成像(CCTA)人工智能分析系统,以VH-IVUS为金标准验证人工智能解析冠状动脉管腔及斑块成分的能力.方法 连续筛选2023年1月至2024年12月在首都医科大学附属北京积水潭医院接受冠状动脉造影联合IVUS检查,且术前1个月内行CCTA的患者.收集105例患者188支病变血管的曲面重建图像(CPR)与IVUS影像(均符合质量标准).医师手动标注VH-IVUS病灶范围,分割为坏死核心、纤维组织、纤维脂质、致密钙4种(颜色标记),并标注冠状动脉开口用于配准.CCTA图像经血管分割后生成拉直CPR图,人工标注开口位置.采用卷积神经网络(CNN)结合循环神经网络(RNN)混合模型提取特征并回归斑块成分占比,以验证集性能为评价标准.按80％:20％划分训练集(84例/150支血管)与独立测试集(21例/38支血管).模型经PyTorch框架训练[均方误差(MSE)损失函数,Adam优化器,初始学习率0.01,权重衰减0.001,余弦退火策略,200轮次],最终实现CPR斑块与管腔特征可视化.结果 模型斑块定量预测平均MSE=0.0018.各成分Pearson相关系数均＞0.730(P＜0.0001):纤维组织(r=0.795)、坏死核心(r=0.782)、致密钙(r=0.762)、纤维脂质(r=0.730).R2系数:纤维组织0.628,余成分0.451～0.628.Bland-Altman分析示＞95％数据点位于95％一致性界限内,纤维组织离散度最低(SD=0.048).结论 融合三维CNN与RNN人工智能系统可从CCTA中提取VH-IVUS级腔内信息,实现高精度斑块表征.
更多相关知识
关键词
血管内超声冠状动脉CT血管成像深度学习斑块成分分析卷积神经网络Intravascular ultrasoundCoronary CT angiographyDeep learningPlaque composition analysisConvolutional neural network
栏目名称
DOI
10.3969/j.issn.1004-8812.2026.01.003
发布时间
2026-03-11（万方平台首次上网日期，不代表论文的发表时间）
基金项目
北京市自然科学基金面上项目（7232078）
北京积水潭医院院级科研基金（QN202213）
- 浏览7
- 被引0
- 下载5
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
