三维深度网络结合迁移学习的房颤患者冠脉CTA术前分类

摘要

目的：基于三维深度网络构建房颤患者冠脉CTA术前分类模型，探讨迁移学习技术对医学影像分类模型性能的影响，为导管消融提供术前决策支持，推动房颤治疗向精确化、个性化转变。方法：分别以3D ConvNet和3D-ResNet作为骨干网络，提取冠脉CTA序列的三维分类特征；利用公开预训练权重进行迁移学习，并通过混淆矩阵、准确率、AUC等指标评估模型分类效果，对比分析迁移学习模型与初始化训练模型之间的性能差异。结果：迁移学习显著改善了模型性能，与初始化训练模型相比，各个迁移学习模型的分类AUC提升9.1%～16.7%，准确率提高6.2%～23.5%，其中结合MedicalNet预训练权重的3D-ResNet18模型表现最佳，AUC达0.77，准确率为0.71。结论：结合迁移学习的三维深度网络能通过术前冠脉CTA有效识别需在肺静脉隔离基础上附加额外消融的房颤患者，这将有助于引导临床医生优化手术策略并改善治疗效果，从而降低术后远期复发率。

关键词

心房颤动 / 冠脉CTA / 三维深度网络 / 迁移学习 / 导管消融 / 手术策略