TY - JOUR A2 - Musiałek，彼得AU - 阿斯图迪略，帕特里西奥AU - 莫蒂埃，彼得AU - Bosmans，约翰AU - 德靠山，奥盟 - 德Jaegere，彼得AU - 社会[，弗朗西斯AU - 德Beule的，马蒂厄AU - Dambre，乔尼PY - 2020 DA - 2020年5月28日TI - 9843275 VL - - 2020 AB - 主动脉环平面和冠状动脉开口从多排CT SP的自动检测解剖标志检测是在经导管主动脉瓣植入术前规划（TAVI关键）选择合适的设备大小和评估并发症的风险。检测当前由图像质量并受操作者的变异影响的耗时的手动过程。在这项工作中，我们提出了一种新颖的自动的方法来检测从MDCT图像使用深度学习技术相关的主动脉标志。我们训练有素的3个卷积神经网络（细胞神经网络）有344多排CT（MDCT）的收购，以检测相关的TAVI规划5个解剖标志：主动脉瓣叶的三个基础连接点和左，右冠状动脉开口。检测策略中使用的这三个CNN模型来分析单个MDCT图像和屈服3米分割的卷作为输出。这些分割体积的平均值为一个最终分割体积，并且在后处理步骤中所获得的最终的预测的地标。最后，我们构建了主动脉环平面，由三个预测铰接点限定，并且从该面测量的距离与预测的冠状动脉口（即，冠状动脉高度）。该方法进行了验证的100名病人。The automatic landmark detection was able to detect all the landmarks and showed high accuracy as the median distance between the ground truth and predictions is lower than the interobserver variations (1.5 mm [1.1–2.1], 2.0 mm [1.3–2.8] with a paired difference −0.5 ± 1.3 mm and P. 值<0.001）。此外，具有高相关性预测和人工测量冠状动脉高度之间观察到的（用于 R. ² = 0.8). The image analysis time per patient was below one second. The proposed method is accurate, fast, and reproducible. Embedding this tool based on deep learning in the preoperative planning routine may have an impact in the TAVI environments by reducing the time and cost and improving accuracy. SN - 0896-4327 UR - https://doi.org/10.1155/2020/9843275 DO - 10.1155/2020/9843275 JF - Journal of Interventional Cardiology PB - Hindawi KW - ER -