血管内光学相干断层图像中纤维帽的深度学习分割
图像与视频处理
2023-11-13 v1
摘要
薄帽纤维粥样斑块（TCFA）是斑块破裂的显著危险因素。血管内光学相干断层成像（IVOCT）可识别纤维帽（FC）、测量FC厚度并评估斑块易损性。我们开发了一种全自动深度学习方法进行FC分割。本研究纳入来自两个登记处的227次回撤中的32,531幅图像。使用我们的OCTOPUS进行半自动标注，并由专家依据既定指南进行编辑。我们对原始IVOCT (r,theta)图像采用包括导丝阴影检测、管腔分割、像素偏移和高斯滤波的预处理。数据通过螺旋采集中的theta改变以及强度和噪声值改变以自然方式增强。我们使用改进的SegResNet及对比网络分割FC。我们采用来自现有大得多的全标注钙化IVOCT数据集的迁移学习以减少深度学习训练。总体而言，我们的方法持续给出优于其他深度学习方法的FC分割结果（Dice：0.837±0.012）。迁移学习将训练时间减少84%并降低对更多训练样本的需求。我们的方法展现出高度泛化能力，五折交叉验证（灵敏度：85.0±0.3%，Dice：0.846±0.011）与保留测试集（灵敏度：84.9%，Dice：0.816）中分割高度一致即为佐证。此外，我们发现FC厚度与金标准高度一致（2.95±20.73 μm），偏倚在临床可忽略范围内。术前与术后回撤中重现性极佳（平均FC角度：200.9±128.0度 / 202.0±121.1度）。我们的方法将有益于多种研究目的，并潜在可用于规划避免将支架边缘置于FC上的支架置入。
引用
@article{arxiv.2311.06202,
title = {Deep learning segmentation of fibrous cap in intravascular optical coherence tomography images},
author = {Juhwan Lee and Justin N. Kim and Luis A. P. Dallan and Vladislav N. Zimin and Ammar Hoori and Neda S. Hassani and Mohamed H. E. Makhlouf and Giulio Guagliumi and Hiram G. Bezerra and David L. Wilson},
journal= {arXiv preprint arXiv:2311.06202},
year = {2023}
}
备注
24 pages, 9 figures, 2 tables, 2 supplementary figures, 3 supplementary tables