DeepCA：基于深度学习的三维冠状动脉树重建方法
图像与视频处理
2024-12-17 v2 计算机视觉与模式识别
摘要
冠状动脉疾病(CVD)是全球死亡最主要的原因。侵入性x射线冠状动脉造影(ICA)是诊断CVD最重要的影像模态之一。ICA通常仅获取两个二维投影，使得冠状血管的三维几何结构难以解释，因而需要从两个投影重建三维冠状动脉树。现有方法需要大量手动干预，无法纠正非同步投影之间发生的非刚性心脏和呼吸运动。本文提出一种名为DeepCA的新型深度学习管线。我们利用Wasserstein条件生成对抗网络With gradient penalty、latent卷积变换器层和dynamic蛇形卷积批评家，隐式补偿非刚性运动并提供三维冠状动脉树重建。通过从冠状CT造影(CCTA)中模拟投影，我们实现了对真实非同步ICA投影的3维冠状动脉树重建的通用性。我们纳入特定于应用的评估指标，以验证模型在CCTA数据集和真实ICA数据集上的表现，包括Chamfer距离。结果表明，我们的DeepCA模型在血管拓扑保持、恢复缺失特征以及对真实ICA数据的通用性方面表现有前景。据我们了解，这是首个利用深度学习实现从两个真实非同步x射线血管造影投影重建三维冠状动脉树的研究。
引用
@article{arxiv.2407.14616,
title = {DeepCA: Deep Learning-based 3D Coronary Artery Tree Reconstruction from Two 2D Non-simultaneous X-ray Angiography Projections},
author = {Yiying Wang and Abhirup Banerjee and Robin P. Choudhury and Vicente Grau},
journal= {arXiv preprint arXiv:2407.14616},
year = {2024}
}
备注
17 pages, 13 figures, 3 tables; Early accepted to the WACV 2025