TransONet：基于深度学习在计算机断层扫描血管造影中自动分割血管系统
图像与视频处理
2023-11-29 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
人体血管系统的病理性改变是许多慢性疾病（如动脉粥样硬化和动脉瘤）的基础。然而，手动分析血管系统的诊断图像（如计算机断层扫描血管造影（CTAs））是一个耗时且繁琐的过程。为解决此问题，我们提出一种深度学习模型，用于分割接受外周动脉疾病（PAD）手术患者CTA图像中的血管系统。我们的研究聚焦于使用深度学习技术准确分割CTA图像中血管系统（1）从降主动脉至髂分叉以及（2）从降主动脉至膝盖的部分。我们的方法在测试数据集中对（1）和（2）分别取得了93.5%和80.64%的平均Dice精度，凸显了其高精度与潜在临床效用。这些发现证明了深度学习技术可作为医学专业人员高效、准确分析血管系统健康状况的有价值工具。请访问本文GitHub页面：https://github.com/pip-alireza/TransOnet。
引用
@article{arxiv.2311.10328,
title = {TransONet: Automatic Segmentation of Vasculature in Computed Tomographic Angiograms Using Deep Learning},
author = {Alireza Bagheri Rajeoni and Breanna Pederson and Ali Firooz and Hamed Abdollahi and Andrew K. Smith and Daniel G. Clair and Susan M. Lessner and Homayoun Valafar},
journal= {arXiv preprint arXiv:2311.10328},
year = {2023}
}
备注
Accepted for the 2023 International Conference on Computational Science and Computational Intelligence (CSCI), Las Vegas, USA