深度学习血管造影（DLA）：基于深度学习的三维C臂锥束CT血管造影
图像与视频处理
2018-01-30 v1 机器学习
医学物理
摘要
背景与目的：我们的目的是开发一种深度学习血管造影（DLA）方法，从单次对比增强采集生成三维脑动脉造影图像。材料与方法：在经批准的IRB方案下，从内部数据库随机选取105例3D-DSA检查。所有检查均使用临床系统（Axiom Artis zee，Siemens Healthineers）结合标准注射方案采集。来自35名受试者的超过1.5亿个标注体素用于训练。训练一个深度卷积神经网络将每个图像体素分类为三种组织类型（血管、骨和软组织）。训练好的DLA模型随后用于8名受试者验证队列及由其余62名受试者组成的最终测试队列的组织分类。最终血管组织类别用于生成3D-DLA图像。为量化训练模型的泛化误差，在相关解剖结构中计算了血管分类的准确率、灵敏度、精确率和F1分数。对3D-DLA与临床3D-DSA图像进行是否存在扫描间运动伪影的定性评估。结果：测试数据集中血管分类准确率及95% CI为98.7%（[98.3, 99.1]%）。除耳囊与鼻腔小区域外，所有3D-DLA测试病例均未观察到骨性结构残留信号，而37%（23/62）的3D-DSA存在此类信号。结论：DLA无需掩膜即可准确重建3D-DSA的血管解剖结构。DLA减少了由扫描间运动引起的配准伪影。DLA降低了获取临床有用3D-DSA所需的辐射暴露。
引用
@article{arxiv.1801.09520,
title = {Deep Learning Angiography (DLA): Three-dimensional C-arm Cone Beam CT Angiography Using Deep Learning},
author = {Juan C. Montoya and Yinsheng Li and Charles Strother and Guang-Hong Chen},
journal= {arXiv preprint arXiv:1801.09520},
year = {2018}
}
备注
26 pages, 4 figures, 2 tables. Accepted for publication at Americal Journal of Neuroradiology (AJNR), 2018 (in press)