用于临床相关冠状动脉分割的编码器-解码器架构
图像与视频处理
2021-06-23 v1 计算机视觉与模式识别
机器学习
摘要
冠状动脉X射线造影是诊断和治疗冠状动脉疾病的关键临床操作，该疾病每年约占全球死亡的16%。然而，这些操作获取的图像分辨率低、对比度差，使得病变检测与评估具有挑战性。准确的冠状动脉分割不仅有助于缓解这些问题，还允许提取相关解剖特征以供定量方法进一步分析。尽管此前已有自动化的冠状动脉分割提出，但以往方法使用了非最优的分割准则，导致结果用处不大。多数方法要么仅分割主血管，丢弃其余血管的重要信息；要么主要基于对比度信息分割整棵冠状动脉树，产生包含与诊断无关血管的噪声输出。我们采用更合适的临床准则，并根据临床相关性分割血管。此外，我们同时执行导管分割，由于导管已知直径提供的尺度因子，这可能有助于诊断，且这是一项尚未取得良好结果的任务。为得出最优方法，我们对在焦点损失与一种广义骰子损失变体组合上训练的编码器-解码器架构进行了广泛的比较研究。基于EfficientNet与UNet++架构，我们提出了一系列使用新解码器架构EfficientUNet++的高效高性能分割模型，其最佳版本在动脉与导管类上分别取得了0.8904与0.7526的平均骰子分数，以及0.9234的平均广义骰子分数。
引用
@article{arxiv.2106.11447,
title = {Encoder-Decoder Architectures for Clinically Relevant Coronary Artery Segmentation},
author = {João Lourenço Silva and Miguel Nobre Menezes and Tiago Rodrigues and Beatriz Silva and Fausto J. Pinto and Arlindo L. Oliveira},
journal= {arXiv preprint arXiv:2106.11447},
year = {2021}
}