基于几何深度学习的冠状动脉自动标记
图像与视频处理
2024-03-05 v1 计算机视觉与模式识别
组织与器官
摘要
解剖结构（如冠状动脉）的自动标记对诊断至关重要，然而现有的（非深度学习的）方法受限于对预期树状结构先验拓扑知识的依赖。由于此类血管系统的结构通常难以概念化，基于图的表示因其能够以与方向无关且抽象的方式捕捉形态的几何与拓扑性质而变得流行。然而，用于树状解剖结构自动标记的基于图的学习在文献中受到的关注有限。大多数先前研究在实体图构建方面存在局限，依赖于拓扑结构，并且由于受试者间的解剖变异性而导致精度有限。在本文中，我们提出了一种直观的图表示方法，非常适用于从血管造影扫描获得的 3D 坐标数据。随后我们寻求使用几何深度学习来分析受试者特异性图。所提出的模型利用来自 141 名患者的专家标注标签来学习每个冠状动脉节段的表示，同时捕捉训练数据中的解剖变异性影响。我们研究了所谓消息传递神经网络的多种变体。通过大量评估，我们的流程在五折交叉验证中对冠状动脉（13 类）标记取得了 0.805 的 promising 加权 F1 分数。考虑到图模型处理不规则数据的能力及其在数据分割中的可扩展性，本工作凸显了此类方法为支持医学专家决策提供定量证据的潜力。
引用
@article{arxiv.2212.00386,
title = {Automated Coronary Arteries Labeling Via Geometric Deep Learning},
author = {Yadan Li and Mohammad Ali Armin and Simon Denman and David Ahmedt-Aristizabal},
journal= {arXiv preprint arXiv:2212.00386},
year = {2024}
}