用于冠状动脉 CCTA 中显著性狭窄检测的 Transformer 网络
图像与视频处理
2021-09-28 v3 计算机视觉与模式识别
摘要
冠状动脉疾病(CAD)长期以来对全球心血管疾病患者的生命构成主要威胁。因此，CAD 的自动化诊断在临床医学中具有不可或缺的意义。然而，引发 CAD 的冠状动脉斑块的复杂性使得在冠状动脉 CT 血管造影(CCTA)中自动检测冠状动脉狭窄成为一项困难任务。本文提出一种 Transformer 网络(TR-Net)，用于自动检测显著性狭窄(即管腔狭窄 > 50%)，同时切实完成 CAD 的计算机辅助诊断。所提 TR-Net 引入了一种新颖的 Transformer，并将卷积层与 Transformer 编码器紧密融合，使二者优势在该任务中得以发挥。通过分析语义信息序列，TR-Net 能充分理解多平面重组(MPR)图像中各位置图像信息间的关系，并基于局部与全局信息准确检测显著性狭窄。我们在由不同患者组成、经经验丰富的放射科医生标注的 76 例患者数据集上评估了 TR-Net。实验结果表明，相较于最先进的方法，我们的 TR-Net 在 ACC(0.92)、Spec(0.96)、PPV(0.84)、F1(0.79) 与 MCC(0.74) 指标上取得了更优结果。源代码已公开于链接(https://github.com/XinghuaMa/TR-Net)。
引用
@article{arxiv.2107.03035,
title = {Transformer Network for Significant Stenosis Detection in CCTA of Coronary Arteries},
author = {Xinghua Ma and Gongning Luo and Wei Wang and Kuanquan Wang},
journal= {arXiv preprint arXiv:2107.03035},
year = {2021}
}