SwePub
Sök i LIBRIS databas

  Utökad sökning

id:"swepub:oai:lup.lub.lu.se:e2236d6a-ef8c-4075-b0bd-864c99f68cec"
 

Sökning: id:"swepub:oai:lup.lub.lu.se:e2236d6a-ef8c-4075-b0bd-864c99f68cec" > Deep learning predi...

Deep learning prediction of quantitative coronary angiography values using myocardial perfusion images with a CZT camera

Arvidsson, Ida (författare)
Lund University,Lunds universitet,Matematik LTH,Matematikcentrum,Institutioner vid LTH,Lunds Tekniska Högskola,LTH profilområde: AI och digitalisering,LTH profilområden,Mathematics (Faculty of Engineering),Centre for Mathematical Sciences,Departments at LTH,Faculty of Engineering, LTH,LTH Profile Area: AI and Digitalization,LTH Profile areas,Faculty of Engineering, LTH,Lund Univ, Sweden
Davidsson, Anette (författare)
Linköpings universitet,Linköping University,Avdelningen för diagnostik och specialistmedicin,Medicinska fakulteten,Region Östergötland, Fysiologiska kliniken US
Overgaard, Niels Christian (författare)
Lund University,Lunds universitet,Mathematical Imaging Group,Forskargrupper vid Lunds universitet,Partiella differentialekvationer,Teknisk matematik (CI),Utbildningsprogram, LTH,Lunds Tekniska Högskola,Matematik LTH,Matematikcentrum,Institutioner vid LTH,LTH profilområde: AI och digitalisering,LTH profilområden,LTH profilområde: Teknik för hälsa,Lund University Research Groups,Partial differential equations,Engineering Mathematics (M.Sc.Eng.),Educational programmes, LTH,Faculty of Engineering, LTH,Mathematics (Faculty of Engineering),Centre for Mathematical Sciences,Departments at LTH,Faculty of Engineering, LTH,LTH Profile Area: AI and Digitalization,LTH Profile areas,Faculty of Engineering, LTH,LTH Profile Area: Engineering Health,Faculty of Engineering, LTH,Lund Univ, Sweden
visa fler...
Pagonis, Christos (författare)
Linköpings universitet,Linköping University,Avdelningen för diagnostik och specialistmedicin,Medicinska fakulteten,Region Östergötland, Kardiologiska kliniken US
Åström, Kalle (författare)
Lund University,Lunds universitet,Mathematical Imaging Group,Forskargrupper vid Lunds universitet,Matematik LTH,Matematikcentrum,Institutioner vid LTH,Lunds Tekniska Högskola,Stroke Imaging Research group,LTH profilområde: AI och digitalisering,LTH profilområden,LTH profilområde: Teknik för hälsa,Lund University Research Groups,Mathematics (Faculty of Engineering),Centre for Mathematical Sciences,Departments at LTH,Faculty of Engineering, LTH,LTH Profile Area: AI and Digitalization,LTH Profile areas,Faculty of Engineering, LTH,LTH Profile Area: Engineering Health,Faculty of Engineering, LTH,Lund Univ, Sweden
Good, Elin (författare)
Linköpings universitet,Linköping University,Avdelningen för diagnostik och specialistmedicin,Medicinska fakulteten,Centrum för medicinsk bildvetenskap och visualisering, CMIV,Region Östergötland, Kardiologiska kliniken US
Frias-Rose, Jeronimo (författare)
Linköpings universitet,Linköping University,Institutionen för hälsa, medicin och vård,Medicinska fakulteten,Region Östergötland, Klinisk patologi
Heyden, Anders (författare)
Lund University,Lunds universitet,Mathematical Imaging Group,Forskargrupper vid Lunds universitet,Matematik LTH,Matematikcentrum,Institutioner vid LTH,Lunds Tekniska Högskola,LTH profilområde: AI och digitalisering,LTH profilområden,LTH profilområde: Teknik för hälsa,Lund University Research Groups,Mathematics (Faculty of Engineering),Centre for Mathematical Sciences,Departments at LTH,Faculty of Engineering, LTH,LTH Profile Area: AI and Digitalization,LTH Profile areas,Faculty of Engineering, LTH,LTH Profile Area: Engineering Health,Faculty of Engineering, LTH,Lund Univ, Sweden
Ochoa-Figueroa, Miguel (författare)
Linköpings universitet,Linköping University,Institutionen för hälsa, medicin och vård,Medicinska fakulteten,Centrum för medicinsk bildvetenskap och visualisering, CMIV,Region Östergötland, Fysiologiska kliniken US,Region Östergötland, Röntgenkliniken i Linköping
visa färre...
 (creator_code:org_t)
2022-05-24
2023
Engelska.
Ingår i: Journal of Nuclear Cardiology. - : Springer Science and Business Media LLC. - 1071-3581 .- 1532-6551. ; 30:1, s. 116-126
Relaterad länk:
http://dx.doi.org/10...
visa fler...
https://lup.lub.lu.s...
https://doi.org/10.1...
https://urn.kb.se/re...
visa färre...
  • Tidskriftsartikel (refereegranskat)
Abstract Ämnesord
Stäng  
  • Purpose: Evaluate the prediction of quantitative coronary angiography (QCA) values from MPI, by means of deep learning. Methods: 546 patients (67% men) undergoing stress 99mTc-tetrofosmin MPI in a CZT camera in the upright and supine position were included (1092 MPIs). Patients were divided into two groups: ICA group included 271 patients who performed an ICA within 6 months of MPI and a control group with 275 patients with low pre-test probability for CAD and a normal MPI. QCA analyses were performed using radiologic software and verified by an expert reader. Left ventricular myocardium was segmented using clinical nuclear cardiology software and verified by an expert reader. A deep learning model was trained using a double cross-validation scheme such that all data could be used as test data as well. Results: Area under the receiver-operating characteristic curve for the prediction of QCA, with > 50% narrowing of the artery, by deep learning for the external test cohort: per patient 85% [95% confidence interval (CI) 84%-87%] and per vessel; LAD 74% (CI 72%-76%), RCA 85% (CI 83%-86%), LCx 81% (CI 78%-84%), and average 80% (CI 77%-83%). Conclusion: Deep learning can predict the presence of different QCA percentages of coronary artery stenosis from MPIs.

Ämnesord

MEDICIN OCH HÄLSOVETENSKAP  -- Klinisk medicin -- Kardiologi (hsv//swe)
MEDICAL AND HEALTH SCIENCES  -- Clinical Medicine -- Cardiac and Cardiovascular Systems (hsv//eng)

Nyckelord

Artificial intelligence
cadmium-zinc-telluride
coronary angiography
deep learning
myocardial scintigraphy
Artificial intelligence; deep learning; myocardial scintigraphy; coronary angiography; cadmium-zinc-telluride

Publikations- och innehållstyp

art (ämneskategori)
ref (ämneskategori)

Hitta via bibliotek

Till lärosätets databas

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

 
pil uppåt Stäng

Kopiera och spara länken för att återkomma till aktuell vy