利用深度学习在侵入性冠状动脉造影中自动提取冠状动脉
图像与视频处理
2023-12-22 v1 计算机视觉与模式识别
摘要
从侵入性冠状动脉造影（ICA）中准确提取冠状动脉对于冠状动脉疾病（CAD）诊断和风险分层的临床决策十分重要。在本研究中，我们开发了一种利用深度学习自动提取冠状动脉管腔的方法。方法：提出了一种深度学习模型 U-Net 3+，其融合了全尺度跳跃连接和深度监督，用于从 ICA 中自动提取冠状动脉。在该新颖的冠状动脉提取框架中采用了迁移学习和混合损失函数。结果：使用了包含来自 210 名患者的 616 张 ICA 的数据集。在技术评估中，U-Net 3+ 达到了 0.8942 的 Dice 分数和 0.8735 的灵敏度，高于 U-Net ++（Dice 分数：0.8814，灵敏度：0.8331）和 U-net（Dice 分数：0.8799，灵敏度：0.8305）。结论：我们的研究表明，U-Net 3+ 在从 ICA 中自动提取冠状动脉方面优于其他分割框架。这一结果显示了其在临床使用中的良好前景。
引用
@article{arxiv.2206.12300,
title = {Automatic extraction of coronary arteries using deep learning in invasive coronary angiograms},
author = {Yinghui Meng and Zhenglong Du and Chen Zhao and Minghao Dong and Drew Pienta and Zhihui Xu and Weihua Zhou},
journal= {arXiv preprint arXiv:2206.12300},
year = {2023}
}
备注
22 pages,5 figures