論文の概要: Integrated Pipeline for Coronary Angiography With Automated Lesion Profiling, Virtual Stenting, and 100-Vessel FFR Validation

• arxiv url: http://arxiv.org/abs/2512.09134v1
• Date: Tue, 09 Dec 2025 21:26:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-11 15:14:53.324343
• Title: Integrated Pipeline for Coronary Angiography With Automated Lesion Profiling, Virtual Stenting, and 100-Vessel FFR Validation
• Title（参考訳）: 自動病変プロファイリング, 仮想ステントリング, 100-Vessel FFRバリデーションを併用した冠動脈造影用集積パイプライン
• Authors: Georgy Kopanitsa, Oleg Metsker, Alexey Yakovlev,
• Abstract要約: AngioAI-QFRは、血管造影のみのパイプラインである。 コンピュータビジョン、機能プロファイリング、および自動血管造影による生理学の仮想PCIを統合する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Coronary angiography is the main tool for assessing coronary artery disease, but visual grading of stenosis is variable and only moderately related to ischaemia. Wire based fractional flow reserve (FFR) improves lesion selection but is not used systematically. Angiography derived indices such as quantitative flow ratio (QFR) offer wire free physiology, yet many tools are workflow intensive and separate from automated anatomy analysis and virtual PCI planning. We developed AngioAI-QFR, an end to end angiography only pipeline combining deep learning stenosis detection, lumen segmentation, centreline and diameter extraction, per millimetre Relative Flow Capacity profiling, and virtual stenting with automatic recomputation of angiography derived QFR. The system was evaluated in 100 consecutive vessels with invasive FFR as reference. Primary endpoints were agreement with FFR (correlation, mean absolute error) and diagnostic performance for FFR <= 0.80. On held out frames, stenosis detection achieved precision 0.97 and lumen segmentation Dice 0.78. Across 100 vessels, AngioAI-QFR correlated strongly with FFR (r = 0.89, MAE 0.045). The AUC for detecting FFR <= 0.80 was 0.93, with sensitivity 0.88 and specificity 0.86. The pipeline completed fully automatically in 93 percent of vessels, with median time to result 41 s. RFC profiling distinguished focal from diffuse capacity loss, and virtual stenting predicted larger QFR gain in focal than in diffuse disease. AngioAI-QFR provides a practical, near real time pipeline that unifies computer vision, functional profiling, and virtual PCI with automated angiography derived physiology.
• Abstract（参考訳）: 冠動脈造影は冠動脈疾患を診断する主要なツールであるが,狭窄の視差は変化し,虚血と中等度にしか関連しない。 ワイヤーベース分画流量予備区(FFR)は病変の選択を改善するが、体系的には使用されない。 定量的フロー比(QFR)のような血管造影由来の指標は、ワイヤーフリーな生理学を提供するが、多くのツールはワークフローに集中しており、自動解剖分析や仮想PCI計画とは分離している。 我々は,深層学習狭窄検出,路面分割,中心線と径の抽出,1ミリメートルあたりの相対流容量プロファイリング,およびQFRを自動再計算した仮想ステントを併用したエンド・エンドアンギオグラフィーのみパイプラインであるAngioAI-QFRを開発した。 本システムは, 侵襲的FFRを基準として, 連続船100隻で評価した。 一次エンドポイントはFFR (correlation, mean absolute error) と一致し、FFR <= 0.80 の診断性能が得られた。 留置されたフレームでは狭窄検出が精度0.97とルーメンセグメンテーションDice 0.78を達成した。 100隻の船のうち、AngioAI-QFRはFFR(r = 0.89, MAE 0.045)と強く相関していた。 FFR <= 0.80 を検出するための AUC は 0.93 であり、感度 0.88 と特異度 0.86 である。 パイプラインは93%の船で自動的に完了し、中央値は41秒となった。 RFCプロファイリングは拡散能損失と鑑別し,仮想ステンティングでは拡散性疾患よりも集束性QFRの増加が予測された。 AngioAI-QFRは、コンピュータビジョン、機能プロファイリング、および仮想PCIを自動血管造影による生理学に統合する実用的な、ほぼリアルタイムパイプラインを提供する。

関連論文リスト

• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
  カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。 我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。 提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
  論文  参考訳（メタデータ） (2024-10-28T16:00:42Z)
• A Deep Learning Model for Coronary Artery Segmentation and Quantitative Stenosis Detection in Angiographic Images [2.6879908098704544]
  血管造影画像における冠状動脈の自動分画のための新しい深層学習法を提案する。 このモデルは、MedSAMとVM-UNetアーキテクチャを組み合わせて高性能な結果を得る。 狭窄検出アルゴリズムは真正率(TPR)が0.5867、正の予測値(PPV)が0.5911に達した。
  論文  参考訳（メタデータ） (2024-06-01T16:45:33Z)
• Development of Automated Neural Network Prediction for Echocardiographic Left ventricular Ejection Fraction [36.58987036154144]
  本稿では,深層ニューラルネットワークとアンサンブル学習に基づく新しいパイプライン手法を提案する。 この手法は,10,030個の心エコー図を含むオープンソースデータセットを用いて開発,検証した。 本研究では、LVEFの自動ニューラルネットワークに基づく計算が、心収縮機能のフレーム・バイ・フレーム手動評価を行う専門医に匹敵することを示した。
  論文  参考訳（メタデータ） (2024-03-18T18:09:22Z)
• A Federated Learning Framework for Stenosis Detection [70.27581181445329]
  本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。 アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。 データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
  論文  参考訳（メタデータ） (2023-10-30T11:13:40Z)
• Deep Learning-Based Prediction of Fractional Flow Reserve along the Coronary Artery [0.0]
  機能性冠状動脈疾患(CAD)は,冠状動脈のプラーク蓄積が原因である。 機能的に重要な狭窄の存在を確立するための現在の基準は、侵襲的分画流量予備(FFR)測定である。 冠動脈造影(CCTA)によるFFRの非侵襲的予測が出現した。 CCTAスキャンを用いて,動脈のFFRを予測する深層学習法を提案する。
  論文  参考訳（メタデータ） (2023-08-09T12:45:18Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
  深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。 診断成績は臨床医の成績と比較した。 臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
  論文  参考訳（メタデータ） (2023-02-02T08:45:17Z)
• Automated Quality Controlled Analysis of 2D Phase Contrast Cardiovascular Magnetic Resonance Imaging [2.189751467114811]
  位相コントラスト心磁気共鳴画像(PC-CMR)を用いた流れ解析 完全CMRスキャンからのフローの完全自動解析のための新しいディープラーニングベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-28T16:37:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。