用于冠状动脉语义标注的带不确定性量化的超关联图匹配方法
计算机视觉与模式识别
2023-08-22 v1
摘要
冠状动脉疾病（CAD）是导致全球死亡的主要原因之一。在侵入性冠状动脉造影（ICA）上准确提取个体动脉分支对于狭窄检测和 CAD 诊断十分重要。然而，基于深度学习的模型因不同类型冠状动脉之间的形态相似性，在生成冠状动脉语义分割时面临挑战。为应对这一挑战，我们提出了一种使用带不确定性量化的超关联图匹配神经网络（HAGMN-UQ）在 ICA 上进行冠状动脉语义标注的创新方法。图匹配过程在两个个体图之间映射动脉分支，从而未标注的动脉段由已标注段分类，并实现冠状动脉语义标注。通过结合解剖结构损失和不确定性，我们的模型在冠状动脉语义标注上达到了 0.9345 的准确率，并具有快速推理速度，从而在实时临床决策场景中实现有效且高效的预测。
引用
@article{arxiv.2308.10320,
title = {Hyper Association Graph Matching with Uncertainty Quantification for Coronary Artery Semantic Labeling},
author = {Chen Zhao and Michele Esposito and Zhihui Xu and Weihua Zhou},
journal= {arXiv preprint arXiv:2308.10320},
year = {2023}
}
备注
8 pages, 2 figures