利用深度学习在非对比剂钙化评分 CT 图像中进行冠状动脉分割
图像与视频处理
2024-10-27 v1 计算机视觉与模式识别
机器学习
摘要
从冠状动脉疾病医学评估的角度来看，在计算机断层扫描 (CT) 中精确定位冠状动脉至关重要。尽管现有各种方法能在心脏对比增强 CT 扫描中提供高质量的冠状动脉分割，但在该领域侵入性较小的非对比剂 CT 的潜力尚未得到充分挖掘。由于此类精细解剖结构在这类医学图像中几乎不可见，现有方法的特点是召回率高而精度低，主要用于钙化评分背景下的动脉粥样硬化斑块过滤。本文针对这一研究空白，提出了一种深度学习算法，用于在多厂商心电图门控非对比剂心脏 CT 图像中分割冠状动脉；该算法受益于一种通过图像配准半自动生成真值 (GT) 的新颖框架。我们假设，所提出的 GT 生成过程在这种情况下比手动分割效率高得多，因为它允许快速生成大量多样化数据，从而得到泛化能力强的模型。为了基于这种方法深入研究和全面评估分割质量，我们提出了一种新颖的手动网格到图像配准方法，用于创建我们的测试真值。实验研究表明，训练后的模型精度显著高于用于训练的真值，其 Dice 和 clDice 指标接近评分者间变异度。
引用
@article{arxiv.2403.02544,
title = {Coronary artery segmentation in non-contrast calcium scoring CT images using deep learning},
author = {Mariusz Bujny and Katarzyna Jesionek and Jakub Nalepa and Karol Miszalski-Jamka and Katarzyna Widawka-Żak and Sabina Wolny and Marcin Kostur},
journal= {arXiv preprint arXiv:2403.02544},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication