基于深度学习的方法提取血管内超声图像中的管腔与中膜-外膜
计算机视觉与模式识别
2021-02-23 v1
摘要
血管内超声（IVUS）成像可直接可视化冠状血管壁，适用于动脉粥样硬化和狭窄程度的评估。从IVUS中准确分割和测量管腔与中膜-外膜（MA）对于此类成功的临床评估至关重要。然而，当前分割依赖手动操作，耗时且依赖操作者。本文旨在开发一种基于深度学习的方法，使用编码器-解码器深度架构自动提取管腔和MA边界。我们提出的方法称为IVUS-U-Net++，是著名U-Net++模型的扩展。更具体地，在U-Net++模型中加入了特征金字塔网络，从而可利用不同尺度的特征图。结果，概率图及后续分割的精度得以提升。本研究从18名患者收集了1746张IVUS图像。整个数据集划分为训练数据集（1572张图像）用于10折交叉验证，以及测试数据集（174张图像）用于评估模型性能。我们的IVUS-U-Net++分割模型对管腔边界取得Jaccard度量（JM）0.9412、Hausdorff距离（HD）0.0639 mm，对MA边界取得JM 0.9509、HD 0.0867 mm。此外，进行Pearson相关与Bland-Altman分析以评估从我们的分割结果和金标准测量的12个临床参数的相关性，自动测量与金标准吻合良好（所有P<0.01）。总之，我们的初步结果表明所提IVUS-U-Net++模型具有极大的临床使用前景。
引用
@article{arxiv.2102.10480,
title = {A Deep Learning-based Method to Extract Lumen and Media-Adventitia in Intravascular Ultrasound Images},
author = {Fubao Zhu and Zhengyuan Gao and Chen Zhao and Hanlei Zhu and Yong Dong and Jingfeng Jiang and Neng Dai and Weihua Zhou},
journal= {arXiv preprint arXiv:2102.10480},
year = {2021}
}