Aprendizaje conjunto iterativo que integra información temporal y geométrica para la segmentación de los vasos en la...

Área de la Ciencia:

• Imágenes médicas de imágenes médicas.
• La inteligencia artificial es inteligencia artificial.
• Diagnóstico de las enfermedades cardiovasculares Diagnóstico de las enfermedades cardiovasculares

Sus antecedentes:

• La segmentación precisa de los vasos llenos de contraste en la angiografía coronaria de rayos X (XCA) es vital para el diagnóstico y tratamiento de la enfermedad de la arteria coronaria.
• Los desafíos en XCA incluyen ruido de imagen, artefactos de movimiento y estructuras vasculares complejas, lo que dificulta la extracción precisa de los vasos.

Objetivo del estudio:

• Para mejorar la precisión y la integridad de la segmentación de buques en XCA.
• Introducir una red iterativa de aprendizaje conjunto (ITG-Net) que integre información temporal y geométrica.

Principales métodos:

• La red ITG-Net utiliza información temporal y espacial de las secuencias de imágenes de las arterias coronarias para mejorar la representación de los vasos.
• Una tarea auxiliar, la transformación de distancia consciente de la línea central (CDT), se combina con la segmentación del buque para garantizar la conectividad geométrica.
• Una estrategia de aprendizaje iterativo refina la segmentación a través del razonamiento repetido de abajo hacia arriba y de arriba hacia abajo.

Principales resultados:

• El ITG-Net logró una puntuación de dados de 85.67% ± 0.06%, clDice de 85.24% ± 0.19% y APLS de 77.03% ± 0.48% en el conjunto de datos XCA.
• El método demostró un rendimiento superior a las técnicas avanzadas en la reducción de la fragmentación del buque y la mejora de la continuidad.
• La topología vascular se conservó mejor en comparación con los métodos existentes.

Conclusiones:

• La integración de información temporal y geométrica dentro de una red de aprendizaje iterativo mejora significativamente la segmentación de los vasos en la angiografía coronaria.
• La propuesta ITG-Net ofrece un enfoque prometedor para un análisis más preciso y completo de la enfermedad de la arteria coronaria por XCA.