AneuGuide®预测动脉瘤密网支架植入长度的准确性研究

目的在破裂动脉瘤的急诊治疗中,快速精准地选择血流导向装置型号并指导其释放是关键,本研究将评估血流导向密网支架选型软件AneuGuide®预测Pipeline密网支架展开长度的准确性。方法本研究回顾性分析了从2016年1月至2020年12月在浙江医院接受了Pipeline密网支架治疗的72例(剔除数据不完整、数据不清晰、造影剂不充盈、多个支架套叠的病例数据后)颅内动脉瘤患者。基本情况:年龄(54.6±8.4)岁,其中男性患者17例。采用杭州脉流科技有限公司的血流导向密网支架选型软件AneuGuide®预测Pipeline密网支架在植入血管后的展开长度(预测长度),并与通过术后影像测量得到的真实展开长度(测量长度)进行比较,评估AneuGuide®软件预测密网支架植入后长度的准确性。结果AneuGuide®软件预测长度的准确率为(94.96±3.31)%;Pearson相关性分析结果显示预测长度与测量长度存在极强的相关性(r=0.98,P<0.001);Bland-Altman一致性分析的结果也表明了预测长度与测量长度之间的高度一致性。结论AneuGuide®软件能够准确地预测血流导向密网支架在血管中植入后的长度,可以在动脉瘤的急诊治疗中辅助介入医生选择最佳的密网支架型号,提升手术效果。

不同类型颅内动脉瘤经血流导向装置治疗后的血流动力学变化研究

目的应用计算流体力学(CFD)方法分析不同类型未破裂颅内动脉瘤在血流导向装置(FD)治疗前后的血流动力学变化, 为进一步建立未破裂动脉瘤精准治疗和预后评估方法奠定研究基础。方法纳入空军军医大学第一附属医院神经外科自2022年1月至2022年3月收治的接受FD治疗的不同类型未破裂颅内动脉瘤患者4例, 收集患者术前和术后即刻数字减影血管造影(DSA)资料, 通过三维重建、有限元模拟和CFD方法测算动脉瘤形态学和血流动力学参数, 包括动脉瘤颈口比(OsR)、颈比(NR)、面积比(ArR)、体积比(VoR)、壁面剪切应力(WSS)、标准化壁面剪切应力(NWSS)、血流流入量、相对流入量、动脉瘤平均流速、载瘤动脉平均流速、标准化流速、残余血流体积(RFV)以及入流集中指数(ICI), 并比较治疗前后差异。结果 6枚动脉瘤的OsR分别为0.225、0.267、0.265、0.389、1.000、1.000;NR分别为1.220、0.274、1.090、1.587、2.809、4.019;ArR分别为0.608、0.224、0.623、3.462、1.225和1.784;VoR分别为0.386、0.052、0.212、3.462、0.422和1.882。FD植入后动脉瘤WSS、NWSS、血流流入量、相对流入量、动脉瘤平均流速、载瘤动脉平均流速、标准化流速、RFV以及ICI等参数均显著降低。结论在三维重建结合FD/弹簧圈虚拟植入的基础上, 基于CFD的血流动力学分析可以获得不同类型颅内动脉瘤FD治疗前后的精准参数。

基于U-Net的短轴心脏CTA左心室心肌自动分割系统的开发

目的开发并验证一种基于U-Net的短轴心脏计算机断层血管造影(CTA)左心室心肌(LVM)自动分割系统。方法选取2022年2至10月在温州市中心医院就诊的50例疑似或确诊心血管疾病患者CTA图像进行模型训练,将U-Net深化到8层,引入注意力机制和深监督机制,并加入残差连接。通过分割结果可视化观察、分割量化结果比较等分析本研究新开发方法与原型U-Net方法的左心室分割性能差异。结果可视化比较发现,无论分割小区域的左心室或分割组织对比度较差的图像,与原型U-Net方法相比,本研究新开发方法与标签具有更高的一致性;在可视化比较中,原型U-Net方法展现出欠分割、过分割等问题。与原型U-Net方法(0.938±0.144、0.941±0.144、0.961±0.058)相比,本研究新开发方法的Dice相似系数、精度、灵敏度分别为0.964±0.033、0.960±0.043、0.970±0.040,提示分割精度和鲁棒性更高。箱式图中可见两种方法均存在一些异常值。使用本研究新开发方法分割的3例患者左心室表面三维视图显示平均分割时间为13 s(即处理速度约为0.037 s/幅),提示分割质量和分割效率均较高。结论本研究新开发的基于U-Net的短轴心脏CTA LVM自动分割系统将注意力机制、深监督机制和残差连接集成到8层U-Net中,具有较高的分割精度、分割质量和分割效率。

人工智能在脑血管疾病诊疗中的相关应用

脑血管疾病威胁国人生命健康的头号疾病之一,大数据和人工智能技术的快速发展,使得基于人工智能的脑血管疾病诊断和防治逐渐成为可能。基于人工智能技术,能够极大地提高诊断效率,这对于脑血管病这一重大疾病的诊疗至关重要。近年来,脉流科技围绕颅内动脉瘤和脑卒中两大类脑血管的智能诊疗,应用人工智能技术,在临床科研与产品研发方面,取得了丰富的成果。

人工智能在脑血管病诊疗中的应用

脑血管病具有高发病率、高复发率、高致残率、高致死率等特点,严重危害居民生命健康。大数据与人工智能(AI)技术的快速发展,使得基于AI的脑血管病诊疗逐渐成为可能。目前AI在脑血管病影像处理、辅助诊断、治疗和预后评估等多个临床过程中都有着广泛的应用。本文重点梳理近年来AI在脑血管病诊疗过程中的应用研究与产业实践进展,同时阐述AI在脑血管影像处理、脑卒中诊疗以及颅内动脉瘤诊疗等领域中的应用进展,并结合临床实际对目前AI在脑血管病诊疗应用中存在的问题作一总结。

基于U-Net的CT左心室分割

心血管疾病严重威胁着人类的健康,具有高患病率、高致残率和高病死率的特点[1]。其早期的诊断与治疗有助于改善心脏的功能和患者的预后,降低患者的病死率。左心室(left ventricle,LV)的准确分割是量化心室容积、射血分数、左心室质量、壁增厚以及壁运动异常等临床指标以定量分析心脏整体和局部的功能,进而诊断和治疗心血管疾病的关键步骤[2]。心脏CT血管造影术(cardiac CT angiography,CCTA)由于无创、操作简便,已经成为临床上一种重要的诊断方法[3]。然而,由于心脏CT图像中左心室区域与背景区域对比不明显、存在噪声等影响,使得左心室分割存在一定的难度。

优化算法FFR-CT与有创FFR的对照研究

目的基于冠状动脉CTA影像的无创血流储备分数(FFR-CT)与有创冠状动脉血流储备分数(FFR)的有效性对照研究。方法本研究共回顾性纳入47例(61支病变血管)患者,采用杭州脉流科技有限公司的AccuFFR®ct原型软件系统(AccuFFR®ct,version 1.0)计算每个狭窄处的FFR-CT值,并与有创FFR值进行比较,以FFR≤0.8为具有血流动力学意义的狭窄为参照,通过准确性、敏感性、特异性、阳性预测值(PPV)和阴性预测值(NPV)以及计算在受试者操作特征(ROC)曲线下的面积(AUC)来评价FFR-CT的有效性。结果对每个患者的FFR-CT与有创FFR相比的准确率为91.5%,敏感性为88.2%,特异性为93.3%,PPV为88.2%,NPV为93.3%;对于每条血管相应的值分别为88.5%、88.2%、88.6%、75%和95.1%。FFR-CT和有创FFR之间存在显著的相关性(患者水平:r=0.71,P<0.0001,和血管水平:r=0.62,P<0.0001),并且AUC值分别为0.89和0.90。结论基于冠状动脉CTA影像计算的AccuFFR®ct系统可以作为评估冠状动脉狭窄引起功能性缺血的一种快速、准确的计算工具。