基于卷积神经网络的冠脉内光学相干断层图像斑块自动表征
计算机视觉与模式识别
2018-07-11 v1
摘要
光学相干断层成像（OCT）可提供高分辨率横截面图像，用于分析冠状动脉浅表斑块。通常，利用冠脉内 OCT 图像进行斑块表征由专家观察者手动完成。这种手动分析耗时，且其准确性严重依赖人类观察者的经验。传统基于机器学习的方法，如最小二乘支持向量机和随机森林方法，近来被用于 OCT 图像中斑块区域的自动表征。这些传统方法通常采用若干处理步骤，包括特征提取、信息性特征选择与最终像素分类。因此，最终分类精度可能因其中任一步骤的误差或不准确而受损。在本研究中，我们提出一种基于卷积神经网络（CNN）的方法，用于 OCT 图像中斑块的自动表征。与传统方法不同，我们的方法以图像为直接输入，并将分类作为单步过程执行。在 269 张 OCT 图像上的实验表明，基于 CNN 的方法平均预测准确率为 0.866，显示出良好的临床转化前景。
引用
@article{arxiv.1807.03613,
title = {Convolutional neural network based automatic plaque characterization from intracoronary optical coherence tomography images},
author = {Shenghua He and Jie Zheng and Akiko Maehara and Gary Mintz and Dalin Tang and Mark Anastasio and Hua Li},
journal= {arXiv preprint arXiv:1807.03613},
year = {2018}
}
备注
SPIE 2018