基于几何级联神经网络的冠状动脉分割与血管矢量化
图像与视频处理
2023-05-09 v1 计算机视觉与模式识别
摘要
冠状动脉分割是冠状动脉计算机断层扫描血管造影（CCTA）图像定量分析的一项重要任务，并受到深度学习领域的推动。然而，冠状动脉具有细小狭窄分支的复杂结构，这带来了巨大挑战。加之医学图像分辨率低、对比度差的限制，分割血管在预测中频繁出现断裂。因此，本文提出一种基于几何的冠状动脉级联分割方法，其创新如下：1）集成几何形变网络，我们设计了一个级联网络用于分割冠状动脉并对结果进行矢量化。所生成的冠状动脉网格对于扭曲且复杂的冠状动脉结构是连续且准确的，无断裂现象。2）不同于由传统移动立方体方法从体素标签生成的网格标注，我们利用正则化形态学重建了更精细的冠状动脉矢量化网格。该新颖网格标注有益于基于几何的分割网络，避免了复杂分支中的分叉粘连与点云离散。3）收集了一个名为 CCA-200 的数据集，包含 200 例患有冠状动脉疾病的 CCTA 图像。200 例的地面真值由专业放射科医生给出的冠状动脉内径标注。大量实验在我们收集的 CCA-200 数据集和公开 ASOCA 数据集上验证了我们的方法，在 CCA-200 上 Dice 为 0.778，在 ASOCA 上为 0.895，显示出优越结果。特别地，我们的基于几何的模型生成准确、完整且平滑的冠状动脉，无任何分割血管的断裂。
引用
@article{arxiv.2305.04208,
title = {Segmentation and Vascular Vectorization for Coronary Artery by Geometry-based Cascaded Neural Network},
author = {Xiaoyu Yang and Lijian Xu and Simon Yu and Qing Xia and Hongsheng Li and Shaoting Zhang},
journal= {arXiv preprint arXiv:2305.04208},
year = {2023}
}