用于心脏CT血管造影扫描中自动冠状动脉中心线的多分辨率3D卷积神经网络提取
图像与视频处理
2023-11-27 v2 计算机视觉与模式识别
摘要
我们提出了一种基于深度学习的自动冠状动脉树中心线追踪器（AuCoTrack），扩展了Wolterink（arXiv:1810.03143）的血管追踪器。一个在多变尺度3D输入上运行的双通路卷积神经网络（CNN）预测冠状动脉的方向以及分叉的存在。训练一个类似的多尺度双通路3D CNN来识别冠状动脉端点以终止追踪过程。基于分叉检测导出两个或更多延续方向。该迭代追踪器仅基于从心脏基于模型的分割得到的两个开口标志点，检测整个左、右冠状动脉树。3D CNN在由43个CCTA扫描组成的专有数据集上训练。相对于精细化手动分割，获得了87.1%的平均灵敏度和89.1%的临床相关重叠率。此外，使用MICCAI 2008冠状动脉追踪挑战赛（CAT08）的训练与测试数据集对算法进行基准测试并评估其泛化能力。获得了93.6%的平均重叠率和96.4%的临床相关重叠率。所提方法在CAT08数据集上取得了优于当前最优自动中心线提取技术的重叠分数，血管检测率为95%。
引用
@article{arxiv.2010.00925,
title = {Multi-Resolution 3D Convolutional Neural Networks for Automatic Coronary Centerline Extraction in Cardiac CT Angiography Scans},
author = {Zohaib Salahuddin and Matthias Lenga and Hannes Nickisch},
journal= {arXiv preprint arXiv:2010.00925},
year = {2023}
}