Shapeforestを使用したCTからの高度な経カテーテル大動脈弁埋め込み（TAVI）計画

経カテーテル大動脈弁埋め込み（TAVI）は、症候性重度の大動脈弁狭窄を伴う非運用性および高リスクの患者の標準的な治療法になりつつあります。影響を受けた解剖学への直接的な見解やアクセスがないため、包括的な術前計画は成功するためには重要であり、計画中に行われた最も重要な決定は適切なインプラントサイズの選択と正しいC腕の角度を決定することです。3D画像から抽出された幾何学的モデルは、これらの測定を導き出すためによく使用されますが、これらの患者に見られるAV解剖学の複雑な形状の変動は、そのような幾何学的特性を十分な詳細で捕捉することに失敗することを推定するために使用される多くの形状表現を引き起こします。さらに、ほとんどの電流アプローチは大動脈弁（AV）のみをモデル化し、環状破裂、傍アルバル漏れ、心筋梗塞などの重度の合併症との高い相関関係にもかかわらず、左心室流出管（LVOT）のモデリングを完全に省略します。AVとLVOTの患者固有のモデルを抽出するための完全に自動化された方法を提案し、正確なTAVI計画のために包括的なバイオマーカーを導き出します。複雑な形状の変化をモデル化し、ローカル形状情報を保存し、形状空間推論中に事前知識を組み込むことができる新しい形状表現（ShapeForest）を利用します。630のボリュームデータセットで実行された広範な定量的および定性的実験は、AVで0.69 mm、LVOTで0.83 mmの精度を示しており、ARTの方法と比較した場合、それぞれ16％と18％を超えて改善します。

Transcatheter aortic valve implantation (TAVI) is becoming a standard treatment for non-operable and high-risk patients with symptomatic severe aortic valve stenosis. As there is no direct view or access to the affected anatomy, comprehensive preoperative planning is crucial for a successful outcome, with the most important decisions made during planning being the selection of the proper implant size, and determining the correct C-arm angulations. While geometric models extracted from 3D images are often used to derive these measurements, the complex shape variation of the AV anatomy found in these patients causes many of the shape representations used to estimate such geometric models to fail in capturing morphological characteristics in sufficient detail. In addition, most current approaches only model the aortic valve (AV), omitting modeling the left ventricle outflow tract (LVOT) entirely despite its high correlation with severe complications such as annulus ruptures, paravalvular leaks and myocardial infarction. We propose a fully automated method to extract patient specific models of the AV and the LVOT, and derive comprehensive biomarkers for accurate TAVI planning. We utilize a novel shape representation--the ShapeForest--which is able to model complex shape variation, preserves local shape information, and incorporates prior knowledge during shape space inference. Extensive quantitative and qualitative experiments performed on 630 volumetric data sets demonstrate an accuracy of 0.69 mm for the AV and 0.83 mm for the LVOT, an improvement of over 16% and 18% respectively when compared against state of the art methods.