X射线血管造影中的冠状动脉分割与血管类型分类
计算机视觉与模式识别
2026-01-27 v1 人工智能
摘要
X射线冠状动脉造影(XCA)是评估冠状动脉疾病的临床参考标准，然而定量分析受到常规数据中稳健血管分割困难的限制。低对比度、运动、短缩、重叠和导管干扰会降低分割质量，并导致不同中心之间的域偏移。可靠的分割，连同血管类型标记，能够实现特定血管的冠状动脉分析和依赖于解剖定位的下游测量。从670个电影序列(407名受试者)中，我们使用低强度直方图准则选择接近峰值显影的最佳帧，并应用联合超分辨率和增强。我们在每幅图像的神谕调优、单一全局均值设置以及通过支持向量回归(SVR)进行每幅图像参数预测下，对经典的Meijering、Frangi和Sato血管性滤波器进行基准测试。神经基线包括U-Net、FPN和Swin Transformer，使用仅冠状动脉和合并的冠状动脉+导管监督进行训练。第二阶段分配血管身份(LAD、LCX、RCA)。外部评估使用公共DCA1队列。对于所有经典滤波器，SVR每幅图像调优比全局均值提高了Dice(例如，Frangi: 0.759 vs. 0.741)。在深度模型中，FPN达到了0.914±0.007的Dice(仅冠状动脉)，合并的冠状动脉+导管标签进一步将其提升至0.931±0.006。在作为严格外部测试的DCA1上，Dice降至0.798(仅冠状动脉)和0.814(合并)，而轻量级的域内微调恢复至0.881±0.014和0.882±0.015。血管类型标记对RCA达到了98.5%的准确率(Dice 0.844)，对LAD为95.4%(0.786)，对LCX为96.2%(0.794)。学习到的每幅图像调优增强了经典流程，而高分辨率FPN模型和合并标签监督通过适度的自适应提高了稳定性和外部迁移能力。
引用
@article{arxiv.2601.17429,
title = {Coronary Artery Segmentation and Vessel-Type Classification in X-Ray Angiography},
author = {Mehdi Yousefzadeh and Siavash Shirzadeh Barough and Ashkan Fakharifar and Yashar Tayyarazad and Narges Eghbali and Mohaddeseh Mozaffari and Hoda Taeb and Negar Sadat Rafiee Tabatabaee and Parsa Esfahanian and Ghazaleh Sadeghi Gohar and Amineh Safavirad and Saeideh Mazloomzadeh and Ehsan khalilipur and Armin Elahifar and Majid Maleki},
journal= {arXiv preprint arXiv:2601.17429},
year = {2026}
}