論文の概要: TAVI-TEC: An AI-Based Tool for Procedural Planning of Transcatheter Aortic Valve Implantation

• arxiv url: http://arxiv.org/abs/2607.29243v1
• Date: Fri, 31 Jul 2026 10:16:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.690191
• Title: TAVI-TEC: An AI-Based Tool for Procedural Planning of Transcatheter Aortic Valve Implantation
• Title（参考訳）: TAVI-TEC:経カテーテル大動脈弁挿入術の手続き計画のためのAIベースのツール
• Abstract要約: 本研究では,WebベースのDICOMビューアに完全に自動化された人工知能ベースのフレームワークであるTAVI-TECについて述べる。 心血管構造の深層学習に基づくセグメンテーション,石灰化検出,中心線抽出,ランドマーク同定,および環状平面定義を,キー環状および大動脈根の測定値の定量化のために実施した。 弁の大きさ予測モデルは82%の精度を達成し, 隣り合う補綴器サイズの間にはほとんどの誤分類が生じた。
• 参考スコア（独自算出の注目度）: 32.927694104455135
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Computed tomography angiography (CTA) is crucial for preprocedural TAVI planning, providing the anatomical information required for prosthesis sizing and vascular access assessment. As the volume of TAVI procedure increases, improving efficiency and standardizing annotations is becoming essential in clinical practice. This study presents TAVI-TEC, a fully automated artificial intelligence-based framework integrated into a web based DICOM viewer for routine preoperative TAVI planning. Pre-procedural CTA scans from patients undergoing TAVI with SAPIEN 3 Ultra (S3U) prostheses were processed using a fully automated pipeline. Deep learning-based segmentation of cardiovascular structures, calcification detection, centerline extraction, landmark identification, and annular plane definition was implemented to quantify key annular and aortic root measurements and color-coded maps of lumen reduction and vessel diameter for vascular access. A multilayer perceptron classifier was trained to predict prosthesis size prior to the TAVI procedure. Results revealed that TAVI-TEC enabled pre-procedural measurements in approximately 2-6 min. Strong agreement with clinician-derived measurements was observed for annular area (coefficient of concordance, CCC = 0.934; interclass correlation coefficient, ICC = 0.935; R^2 = 0.881) and perimeter (CCC = 0.909; ICC = 0.909; R^2 = 0.854). The valve-size prediction model achieved 82% overall accuracy, with most misclassifications occurring between adjacent prosthesis sizes. Though further multicenter validation and extension to additional measurements and valve platforms are required, the TAVI-TEC methodology may reduce operator variability in pre-TAVI measurements and streamline the preoperative workflows of the Heart Team for decision-making.
• Abstract（参考訳）: 術前TAVI計画にはCTアンギオグラフィー(CTA)が不可欠であり, 補綴サイズや血管アクセス評価に必要な解剖学的情報を提供する。 TAVIプロシージャの容積が増大するにつれて、臨床実践において効率の向上とアノテーションの標準化が欠かせないものになりつつある。 本研究では,WebベースのDICOMビューアに完全に自動化された人工知能ベースのフレームワークであるTAVI-TECについて述べる。 SAPIEN 3 Ultra (S3U) によるTAVI患者からのCTAスキャンを完全自動パイプラインで処理した。 心血管構造の深層学習に基づくセグメンテーション,石灰化検出,中心線抽出,ランドマーク識別,および環状平面の定義を行い,キー環状および大動脈根の計測,および血管アクセスのための腔縮小および血管径のカラーコードマップの定量化を行った。 多層パーセプトロン分類器をトレーニングし,TAVI手術前の補綴サイズを推定した。 その結果,TAVI-TECにより約2～6分でプロデューラル前測定が可能であった。 環状領域 (CCC=0.934, CCC=0.935, R^2 = 0.881, CCC=0.909, ICC=0.909, R^2 = 0.854) および周辺部 (CCC=0.909, ICC=0.954) について, 臨床由来の測定値との強い一致が認められた。 弁の大きさ予測モデルは82%の精度を達成し, 隣り合う補綴器サイズの間にはほとんどの誤分類が生じた。 TAVI-TEC法は、TAVI以前の測定における操作者の変動を低減し、意思決定のためにハートチームの術前ワークフローを合理化することができる。

関連論文リスト

• THA-Flow Generative Model: Prosthesis Geometry Prediction from Preoperative CT [7.351430886602578]
  術前CTから直接3次元補綴形状を生成する条件付きフローマッチングモデルであるTHA-Flowを提案する。 分離オートエンコーダKLモデルは術前骨解剖と補綴形状を圧縮し、3次元UNetはガウスノイズから補綴潜在空間への整流を学習する。
  論文  参考訳（メタデータ） (2026-08-26T14:22:06Z)
• SAMe: A Semantic Anatomy Mapping Engine for Robotic Ultrasound [60.64817443833982]
  本稿では,ロボット超音波に解剖学的先行層を明示する意味解剖マッピングエンジンSAMeを提案する。 SAMeはスキャン開始をターゲット・トゥ・アノプティ・トゥ・アクションのプロセスとして扱う。 単一の外部画像から、接地対象に対する患者固有の解剖学的表現をインスタンス化する。
  論文  参考訳（メタデータ） (2026-04-28T13:44:09Z)
• 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)
• Semantic Segmentation for Preoperative Planning in Transcatheter Aortic Valve Replacement [61.573750959726475]
  経カテーテル大動脈弁置換術(TAVR)の術前計画のための医療ガイドラインを考察し,セマンティックセグメンテーションモデルを用いて支援できる課題を同定する。 まず, 細粒度のTAVR関連擬似ラベルを, 粗粒度の解剖学的情報から抽出し, セグメンテーションモデルを訓練し, スキャンでこれらの構造がどれだけよく見つかるかを定量化する。
  論文  参考訳（メタデータ） (2025-07-22T13:24:45Z)
• Towards Patient-Specific Surgical Planning for Bicuspid Aortic Valve Repair: Fully Automated Segmentation of the Aortic Valve in 4D CT [0.0732099897993399]
  Bicuspid aortic valve(BAV)は先天性心不全の最も多い疾患であり、狭窄、逆流、大動脈症などの合併症の手術を必要とする可能性がある。 造影CT(Contrast-enhanced 4D Computed Tomography)はコントラストと空間分解能に優れた体積時間配列を生成する。 ディープラーニングベースの手法は、完全に自動化されたセグメンテーションが可能であるが、BAV固有のモデルは存在しない。
  論文  参考訳（メタデータ） (2025-02-13T22:43:43Z)
• Automated Assessment of Critical View of Safety in Laparoscopic Cholecystectomy [51.240181118593114]
  胆嚢摘出術(胆嚢摘出術)は米国で最も一般的な手術の一つで、年間1.2万回以上の手術が施行されている。 LCは胆管損傷(BDI)の増加と関連しており、致死率と死亡率が高い。 本稿では,LCにおける安全性評価(CVS)の自動化を目的とした深層学習手法を提案する。
  論文  参考訳（メタデータ） (2023-09-13T22:01:36Z)
• Towards Unifying Anatomy Segmentation: Automated Generation of a Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
  我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。 提案手法はラベル集約段階において手作業によるアノテーションに依存しない。 我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
  論文  参考訳（メタデータ） (2023-07-25T09:48:13Z)
• CAD-RADS scoring of coronary CT angiography with Multi-Axis Vision Transformer: a clinically-inspired deep learning pipeline [0.5366236361669898]
  本研究は、冠状動脈疾患スクリーニングのための意思決定支援システムとして使用される完全自動化され、視覚的に説明可能なディープラーニングパイプラインを提案する。 The pipeline pre-processs multiplanar projections of the coronary artery, extract from the original Coronary Computed Tomography Angiography (CCTA) 3大冠動脈の2次元縦断断面をチャネル次元に沿って重ねることで、患者当たりのスコアを割り当てるように訓練されている。
  論文  参考訳（メタデータ） (2023-04-14T17:41:07Z)
• Predicting Thrombectomy Recanalization from CT Imaging Using Deep Learning Models [4.780704816027884]
  術前CTとCTA画像を用いて,患者の再石灰化スコアの完全自動予測を提案した。 我々のトップモデルは平均クロスバリデードROC-AUC 77.33 $pm$3.9%を達成した。
  論文  参考訳（メタデータ） (2023-02-08T15:41:21Z)
• Systematic Clinical Evaluation of A Deep Learning Method for Medical Image Segmentation: Radiosurgery Application [48.89674088331313]
  3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。 本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
  論文  参考訳（メタデータ） (2021-08-21T16:15:40Z)

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。