脑DSA静脉滴漏分割的直接方法
图像与视频处理
2025-08-20 v1
摘要
X射线数字减去血管造影(DSA)在评估最小侵入性医疗干预时常被使用。DSA主要可视化血管，软组织解剖在DSA中可见性较差或不可见。脑解剖的可视化可帮助医生在治疗期间进行判断。本研究旨在开发和评估一种深度学习模型，用于预测在肢体化瘙痛治疗期间获取的DSA影像中未明确可见的血管滴漏区域。我们在手工分割的颈动脉和中大脑血管滴漏区域上训练了nnUNet模型，这些区域基于在肢体化瘙痛治疗期间获取的最小强度投影DSA。我们将该模型与传统的丘成模型进行比较，使用Dice相似系数(DSC)和平均表面距离(ASD)。此外，我们还使用外部测试集对两款模型的成功率进行定性评估。该分割模型是在1224例361名患者（肢体化瘙痛）上训练的。分割模型的DSC显著高于丘成模型（0.96 vs 0.82，p<0.001），且ASD更低（13.8 vs 47.3，p<0.001）。在外部测试集中，分割模型的成功率（85%）高于丘成注册模型（66%）。一种用于分割DSA上没有明确边界的血管滴漏区域的深度学习方法，显示出优于传统丘成基于方法的更高准确性和质量。该方法可应用于其他解剖结构，以提高X射线引导医疗程序中的可视化效果。代码已公开available at https://github.com/RuishengSu/autoTICI。
引用
@article{arxiv.2508.13821,
title = {Direct vascular territory segmentation on cerebral digital subtraction angiography},
author = {P. Matthijs van der Sluijs and Lotte Strong and Frank G. te Nijenhuis and Sandra Cornelissen and Pieter Jan van Doormaal and Geert Lycklama a Nijeholt and Wim van Zwam and Ad van Es and Diederik Dippel and Aad van der Lugt and Danny Ruijters and Ruisheng Su and Theo van Walsum},
journal= {arXiv preprint arXiv:2508.13821},
year = {2025}
}
备注
Accepted to SWITCH 2025