基于深度学习的主动脉夹层全自动CT血管造影识别、分割与Stanford分型一体化研究

来自国内的研究人员开发了一套全自动深度学习流程，用于解决主动脉夹层(AD)在CT血管造影(CTA)中的快速精准诊断难题。该研究通过3D nnU-Net实现主动脉分割、多视图投影AD识别（准确率0.979）、真腔(TL)/假腔(FL)分割（Dice系数TL 0.968/FL 0.971）及Stanford分型（准确率0.990），显著提升诊疗效率，代码模型已开源。

　　

这项突破性研究构建了主动脉夹层(AD)诊疗的智能解决方案。通过四步联动的深度学习模块：首先用3D全分辨率nnU-Net精确定位主动脉轮廓，接着采用形态学处理和多视角投影技术捕捉AD特征；针对阳性病例，基于预分割结果训练专用网络完成真腔(True Lumen, TL)与假腔(False Lumen, FL)的立体分割；最终通过多视角最大密度投影实现Stanford分型。在386例CTA数据测试中，系统展现出接近完美的性能——AD识别准确率高达97.9%，TL/FL分割的Dice系数突破96.8%，分型准确率更达到99%。该技术不仅将传统耗时的诊断流程自动化，其生成的三维结构模型还能辅助临床决策，为抢救"心血管急症之王"争取黄金时间。所有代码和预训练模型已在GitHub开源，推动AI在血管影像领域的临床转化。