面向 X 射线冠状动脉血管造影的基于深度学习的冠状动脉分割与细化网络 (CASR-Net)
计算机视觉与模式识别
2026-03-04 v2 人工智能
摘要
早期检测冠状动脉疾病 (CAD) 对降低死亡率和改善患者治疗计划至关重要。虽然 X 射线血管造影图像分析是识别心脏异常、包括狭窄冠状动脉的常见且经济有效的方法，但图像质量差会显著阻碍临床诊断。我们提出了冠状动脉分割与细化网络 (CASR-Net)，是一个包含图像预处理、分割和细化三个阶段的管线。一种新型多通道预处理策略结合 CLAHE 和改进的 Ben Graham 方法，可实现增益，使 Dice 系数提高 0.31-0.89%，交并比提高 0.40-1.16%。核心创新点是构建于 UNet 架构，采用 DenseNet121 编码器和基于自组织运算神经网络 (Self-ONN) 的解码器，从而保持狭窄和狭窄血管分支的连续性。最终的轮廓细化模块进一步抑制误报。使用 5 折交叉验证评估了 CASR-Net，在包含健康和狭窄血管的数据集组合上，CASR-Net 在多个最先进模型中取得了更好性能，IoU 为 61.43%，DSC 为 76.10%，clDice 为 79.36%。这些结果凸显了自动化冠状动脉分割的稳健方法，为支持医生诊断和治疗计划提供了有价值的工具。
引用
@article{arxiv.2510.27315,
title = {CASR-Net: An Image Processing-focused Deep Learning-based Coronary Artery Segmentation and Refinement Network for X-ray Coronary Angiogram},
author = {Alvee Hassan and Rusab Sarmun and Muhammad E. H. Chowdhury and M Murugappan and Abdulrahman Alqahtani and Balamurugan Balusamy and Sohaib Bassam Zoghoul},
journal= {arXiv preprint arXiv:2510.27315},
year = {2026}
}