Coronary artery stenosis and vulnerable plaque quantification on CCTA by deep learning methods
Notice bibliographique
Résumé
Abstract Introduction Coronary computed tomography angiography (CCTA) has emerged as a reliable non-invasive modality to assess coronary artery stenosis (CAS) severity and vulnerable plaque (VP). However, comprehensive CCTA assessment, especially VP, is time-consuming and dependent on reader expertise, limiting CCTA's true potential. Purpose In this study, we aim to develop and validate a deep learning (DL) based system capable of evaluating CAS severity and characterising VP on CCTA. Methods A DL system was trained to assess CAS severity on 3909 expert annotated vessels. A subset of 824 vessels was used to train the model to assess for the presence of VP. The model was based on a 2D U-Net and 3D convolutional neural network architecture. The system automatically performed vessel tracking and segmentation to quantify stenosis severity and characterise the presence of VP. CAS severity was categorised as 0%, 1–49% and ≥50%. VP was defined as: low attenuation plaque (LAP; ≤30 Hounsfield units), positive remodelling (PR; ≥10% diameter) and spotty calcification (SC; <3mm). The model was then tested on 1435 vessels for CAS (mean calcium score 197±502) and a subset of 365 vessels for VP (mean calcium score 419±551), and its diagnostic performance compared with expert readers. Results The CAS testing data had a prevalence of 75% (1080/1435), 18% (257/1435) and 6.8% (98/1435) for 0%, 1–49% and ≥50% stenosis, respectively. VP was present in 20% (72/365) in the respective dataset with 44% (32/72) LAP, 19% (14/72) PR and 36% (26/72) SC. Average analysis time for CAS severity and VP was 3.7±2.0s and 3.5±1.8s, respectively. Diagnostic performance of our system is summarised in Tables 1 (CAS severity) and 2 (VP characteristics). Conclusions We developed an DL based system capable of rapidly evaluating CAS severity and characterising VP on CCTA. Our system demonstrated high specificity and accuracy for both CAS severity and VP quantification when compared with expert readers. Funding Acknowledgement Type of funding sources: None.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».