Enderezar el camino hacia la claridad: un marco de segmentación de vasos a nivel de subpíxel en la angiografía...

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• Medicina cardiovascular

Sus antecedentes:

• La enfermedad de las arterias coronarias (CAD) es una de las principales causas mundiales de mortalidad.
• La angiografía coronaria de rayos X (XCA) es crucial para la evaluación de la ECA, con un análisis cuantitativo dependiendo de la segmentación precisa de los vasos.
• Los métodos actuales de segmentación de recipientes XCA carecen de precisión en subpíxeles, lo que limita la fiabilidad de la medición.

Objetivo del estudio:

• Desarrollar el primer marco de aprendizaje profundo para la segmentación de buques XCA a nivel de subpíxeles.
• Mejorar la precisión de las mediciones cuantitativas para la evaluación del CAD.
• Proporcionar un flujo de trabajo totalmente automatizado para mejorar el diagnóstico y el tratamiento de la EAC.

Principales métodos:

• Un marco de aprendizaje profundo que incorpora la localización automática de puntos de referencia de buques y la transformación de coordenadas planas.
• Desarrollo de una red SuPP-Net eficiente para la predicción del contorno de los subpíxeles en vistas rectas del buque.
• Transformación de los contornos previstos en las coordenadas originales de la imagen para su análisis.

Principales resultados:

• Se ha logrado una segmentación del vaso XCA de última generación a nivel de subpíxeles con un error cuadrado medio de contorno (MSE) de 0,53 ± 0,30 píxeles.
• Se ha demostrado un error de estenosis de diámetro medio del 3,23 ± 2,51%.
• Mostró una robusta generalización a través de diferentes calidades de imagen, perturbaciones de buques y niveles de ruido.

Conclusiones:

• El marco de análisis de subpíxeles propuesto mejora significativamente la precisión de la segmentación del recipiente XCA.
• Esta precisión avanzada cumple con las demandas de evaluaciones anatómicas y fisiológicas coronarias precisas.
• El método tiene el potencial de mejorar el diagnóstico de CAD, las estrategias de tratamiento y los resultados de los pacientes.