ODySSeI：面向侵入性冠状动脉造影图像的自动检测、分割与严重程度估计的开源框架
机器学习
2026-03-23 v1
摘要
侵入性冠状动脉造影（ICA）是冠状动脉疾病评估的临床金标准。然而，其解释仍然主观且容易受到操作者间和操作者内的变异性影响。在本工作中，我们引入ODySSeI：一个用于自动化侵入性冠状动脉造影图像中病灶检测、分割与严重程度估计的开源框架。ODySSeI集成了基于深度学习的病灶检测和病灶分割模型，这些模型使用一种新颖的金字塔增强方案（PAS）进行训练，以提高其在来自欧洲、北美和亚洲的不同患者队列（2149名患者）中的鲁棒性和实时性能。此外，我们提出一种无需冠状动脉造影的病灶严重程度估计（LSE）技术，直接计算预测病灶几何图形的最小腔径（MLD）和直径狭窄。在两个分布和非分布临床数据集上的广泛评估表明，ODySSeI具有强大的通用性。我们的PAS在高度复杂的任务上实现了显著的性能提升，相较于相对简单的任务，病灶检测性能提升了近2.5倍，而病灶分割性能提升仅为1-3%。我们的LSE技术实现了高准确率，预测的MLD值仅与相应的ground truth相差2-3个像素。平均情况下，ODySSeI在CPU上仅需数秒即可处理原始ICA图像，在GPU上仅需数毫秒，并且作为一个即插即用的web界面已可在swisscardia.epfl.ch访问。总体而言，本工作确立了ODySSeI作为一个全面的开源框架，支持用于实时临床决策的自动化、可重复和可扩展的ICA分析。
引用
@article{arxiv.2603.20021,
title = {ODySSeI: An Open-Source End-to-End Framework for Automated Detection, Segmentation, and Severity Estimation of Lesions in Invasive Coronary Angiography Images},
author = {Anand Choudhary and Xiaowu Sun and Thabo Mahendiran and Ortal Senouf and Denise Auberson and Bernard De Bruyne and Stephane Fournier and Olivier Muller and Emmanuel Abbé and Pascal Frossard and Dorina Thanou},
journal= {arXiv preprint arXiv:2603.20021},
year = {2026}
}