用于 IVOCT 图像中支架分析的深层局部全局细化网络

将支架植入冠状动脉是心血管疾病患者的常见治疗选择。支架植入安全性和有效性的评估通过从血管内光学相干断层成像（IVOCT）图像中对新生内膜覆盖进行手动视觉检查来实现。然而，此类手动评估需要在支架内检测数千个支柱点。这是一项具有挑战性、繁琐且耗时的任务，因为支柱点通常表现为具有不均匀纹理的小的、不规则形状的物体，并且经常被阴影、伪影和血管壁遮挡。基于纹理、边缘检测或简单分类器的用于 IVOCT 图像中支柱点自动检测的传统方法召回率和精度较低，因为它们无法充分表示用于检测的支柱点的视觉特征。在本研究中，我们提出一种局部-全局细化网络，以整合局部块内容与全局内容用于从 IVOCT 图像中进行支柱点检测。我们的方法在局部图像块中密集检测潜在支柱点，然后根据全局外观约束对其进行细化以减少假阳性。我们在包含 7,000 张 IVOCT 图像的临床数据集上的实验结果表明，我们的方法以 0.92 的召回率和 0.91 的精度优于最先进的方法进行支柱点检测。