基于深度学习的血管内 OCT 图像微血管自动分割
图像与视频处理
2022-11-04 v2 计算机视觉与模式识别
机器学习
摘要
为分析这一易损性特征，我们开发了一种用于检测血管内光学相干断层成像（IVOCT）图像中微血管的深度学习自动方法。共分析了来自 85 个病变和 37 个正常节段的 8,403 帧 IVOCT 图像。使用我们课题组先前开发的专用软件（OCTOPUS）进行手动标注。在极坐标（r, θ）域中对原始 IVOCT 图像进行数据增强，以确保微血管出现在所有可能的角度。预处理方法包括导丝/阴影检测、管腔分割、像素平移和降噪。使用 DeepLab v3+ 分割微血管候选区域。使用浅层卷积神经网络将每个候选区域上的边界框分类为微血管或非微血管。为获得更好的分类效果，我们在网络训练时对含微血管的边界框使用数据增强（即角度旋转）。数据增强与预处理步骤显著改善了微血管分割性能，所得方法的 Dice 系数为 0.71±0.10，像素级灵敏度/特异度为 87.7±6.6%/99.8±0.1%。用于从候选中分类微血管的网络表现极为出色，灵敏度为 99.5±0.3%，特异度为 98.8±1.0%，准确率为 99.1±0.5%。分类步骤消除了绝大多数残留假阳性，Dice 系数从 0.71 提升至 0.73。此外，我们的方法生成了 698 帧含有微血管的图像，而手动分析为 730 帧，差异为 4.4%。与手动方法相比，自动方法改善了微血管的连续性，意味着分割性能的提升。该方法可用于科研目的以及潜在的未来治疗规划。
引用
@article{arxiv.2210.00166,
title = {Automated segmentation of microvessels in intravascular OCT images using deep learning},
author = {Juhwan Lee and Justin N. Kim and Lia Gomez-Perez and Yazan Gharaibeh and Issam Motairek and Ga-briel T. R. Pereira and Vladislav N. Zimin and Luis A. P. Dallan and Ammar Hoori and Sadeer Al-Kindi and Giulio Guagliumi and Hiram G. Bezerra and David L. Wilson},
journal= {arXiv preprint arXiv:2210.00166},
year = {2022}
}
备注
21 pages, 9 figures, 3 tables