用于颅内动脉瘤隔离与定量的血管表面分割
图像与视频处理
2020-06-01 v1
摘要
通过量化颅内动脉瘤 的大小和形状，可以预测破裂风险并决定最佳治疗方案。为此，必须从 3D 血管造影中将 IA 隔离出来。现有最先进的方法通过有原则的方法执行 IA 隔离，例如将切割平面拟合到血管表面、使用高斯曲率和血管中心线距离约束、通过可变形轮廓或由曲率引导的图割、或受限于 Voronoi 表面分解等，将神经外科医生对以往非扩张血管解剖结构的直觉进行编码。然而，IA 及其母体血管构型的高度变异性通常会导致隔离失败或不符合直觉。因此需要人工校正，但其可重复性较差。在本文中，我们旨在通过基于深度学习的两阶段血管表面分割，提高 IA 隔离的准确性、鲁棒性和可重复性。表面以点云形式的局部面片表示，并将其输入第一阶段多层神经网络 (MNN) 以获得对点排序、旋转和尺度不变的特征描述符。作为第二阶段 MNN 的二元分类器被用于隔离属于 IA 的表面。方法验证基于 57 幅 DSA、28 幅 CTA 和 5 幅 MRA 图像，交叉验证显示其分割敏感性高达 0.985，相比在同一数据集上现有最先进方法获得的 0.830 有显著提升。对 IA 隔离的视觉分析及其在 CTA 和 DSA 扫描中保持一致的高准确率和可靠性，证实了所提方法的临床适用性。
引用
@article{arxiv.2005.14449,
title = {Vascular surface segmentation for intracranial aneurysm isolation and quantification},
author = {Žiga Bizjak and Boštjan Likar and Franjo Pernuš and Žiga Špiclin},
journal= {arXiv preprint arXiv:2005.14449},
year = {2020}
}
备注
10 pages, 4 figures, MICCAI conference