基于多视图学习的冠状动脉狭窄直接量化方法
图像与视频处理
2020-08-11 v3 计算机视觉与模式识别
摘要
冠状动脉狭窄的量化在冠心病诊断和介入治疗中具有重要的临床意义。其旨在量化冠状动脉病变的形态学指标，如最小管腔直径、参考血管直径、病变长度等，这些指标是介入支架置入的参考依据。在本研究中，我们提出一种直接多视图定量冠状动脉造影（DMQCA）模型，作为一种自动化的临床工具，从X射线冠状动脉造影图像中量化冠状动脉狭窄。所提出的DMQCA模型由带有两种注意力机制的多视图模块、关键帧模块和回归模块组成，以实现直接准确的多指标估计。多视图模块通过三维卷积全面学习冠状动脉的时空特征。各视图的注意力机制聚焦于病变区域的细微特征并捕获重要的上下文信息。关键帧模块通过连续的空洞残差块学习狭窄的细微特征。回归模块最终从多重特征中生成指标估计。
引用
@article{arxiv.1907.10032,
title = {Direct Quantification for Coronary Artery Stenosis Using Multiview Learning},
author = {Dong Zhang and Guang Yang and Shu Zhao and Yanping Zhang and Heye Zhang and Shuo Li},
journal= {arXiv preprint arXiv:1907.10032},
year = {2020}
}
备注
Refine some text in paper