基于心肌区域引导的特征聚合网络用于冠状动脉 CT 影像下的自动冠状动脉分割与狭窄评估
计算机视觉与模式识别
2025-04-29 v1
摘要
冠状动脉疾病（CAD）是全球死亡率的主要原因，需利用冠状动脉 CT 血管造影进行精准的血管分割和狭窄检测。现有方法在低对比度、形态变异性和小血管分割方面存在困难。为此，我们提出了一种名为 Myocardial Region-guided Feature Aggregation Net 的新型 U 形双编码器架构，将解剖先验知识融入以增强冠状动脉分割的鲁棒性。我们的框架包含三个关键创新：（1）心肌区域引导模块，通过心肌轮廓扩展和多尺度特征融合引导注意力聚焦于冠状动脉区域；（2）残差特征提取编码模块，将平行空间注意力与残差块结合，以增强局部-全局特征的辨别能力；（3）多尺度特征融合模块，用于自适应聚合层次血管特征。此外，蒙特卡洛 dropout 用于量化预测不确定性，支持临床解读。对于狭窄检测，基于形态学的中心线提取算法将血管树分割为解剖分支，实现横截面积定量和狭窄分级。MGFA-Net 在冠状动脉分割方面实现了 Dice 系数 85.04%、准确率 84.24%、HD95 为 6.1294 mm，在狭窄检测中真阳性率提升了 5.46%。集成的分割到狭窄的端到端管道提供了自动化、临床可解释的 CAD 评估，实现了深度学习与解剖先验知识相结合的精准医学应用。我们的代码已公开于 http://github.com/chenzhao2023/MGFA_CCTA。
引用
@article{arxiv.2504.19300,
title = {Myocardial Region-guided Feature Aggregation Net for Automatic Coronary artery Segmentation and Stenosis Assessment using Coronary Computed Tomography Angiography},
author = {Ni Yao and Xiangyu Liu and Danyang Sun and Chuang Han and Yanting Li and Jiaofen Nan and Chengyang Li and Fubao Zhu and Weihua Zhou and Chen Zhao},
journal= {arXiv preprint arXiv:2504.19300},
year = {2025}
}
备注
31 pages, 12 figures