Deep Learning-based Epicardial Adipose Tissue Quantification System for Cardiovascular Disease Risk Analysis

論文翻譯標題: 透過深度學習自動量化心內膜脂肪以輔助分析心血管疾病之風險
  • 吳 昭儀

學生論文: Doctoral Thesis

摘要

心血管疾病是全球最常見的死亡原因之一,其危險因子如是否罹患糖尿病、抽菸、肥胖等,常被使用於評估罹患風險,因此頗受預防性醫學所重視。近年來逐漸有研究發現心內膜脂肪與心血管疾病有密切關係,主要透過活體組織切片實際分析該脂肪,少部分如鈣化指數在醫療影像中進行觀察可得,可用於分析血管狹窄程度。鑒於近年來深度學習在醫療影像的成?,本研究將以CT影像為輸入資料,採取深度學習模型自動擷取並量化心內膜脂肪,並進一步探討與心血管疾病之關聯性,驗證心內膜脂肪組織是否可成為危險因子之一,以輔助醫師進行心血管疾病的風險分析。 我們基於U-Net架構建立模型從CT影像中擷取心內膜脂肪,其中採取ResNeXt模組進行特徵捲積,並在skip connection上加入scSE機制,將encoder的資訊以兩種注意力機制加強後融合一起,再以後處理方式將心內膜脂肪量化成體積,同時為減少個體之間身形差異的因素,使用BSA對心內膜脂肪體積進行校正。在實驗中,本研究收集了成大醫院4954位病人之CT影像資料與11種臨床病史,在分割心內膜脂肪任務上,我們分別嘗試了弱監督式學習與監督式學習等10種以上的模型,最終選用基於ResNeXt加上scSE 機制的模型,並在DSC達到0 89。 經由實驗結果我們實現心內膜脂肪體積與11種疾病的分析,在p值觀察結果共發現在常見4種慢性病與6種心血管疾病上,心內膜脂肪體積有顯著差異。為進一步比較心內膜脂肪體積與鈣化指數對於冠狀動脈疾病之影響,將鈣化指數大於0的病人過濾,並在考慮共病情況下計算勝算比與p值,發現心內膜脂肪體積對於冠狀動脈疾病有顯著差別影響,並以勝算比1 004顯示越多的心內膜脂肪可能導致越高的機率罹患該疾病,可望成為臨床醫師在診斷時對於病患罹患冠狀動脈疾病一項指標。
獎項日期2020
原文English
監督員Jung-Hsien Chiang (Supervisor)

引用此

'