AGMN:在侵袭性冠状动脉血管图上进行冠状动脉语义标签的基于协会图的图形匹配网络
Chen Zhao1, Zhihui Xu2, Jingfeng Jiang3
1Department of Applied Computing, Michigan Technological University, Houghton, MI, USA.
Pattern recognition
|July 24, 2023
概括
我们开发了一个基于协会图的图匹配网络 (AGMN),用于在侵入性冠状动脉血管学 (ICA) 中准确地对冠状动脉进行语义标记. 这种方法改善了冠状动脉疾病 (CAD) 的计算机辅助诊断.
科学领域:
- 心血管成像和干预心血管成像和干预
- 医学图像分析 医学图像分析
- 医疗保健中的人工智能
背景情况:
- 在侵袭性冠状动脉血管学 (ICA) 中对冠状动脉细分进行准确的语义标记对于冠状动脉疾病 (CAD) 的自动评估和报告至关重要.
- 标签方面的挑战包括动脉分支之间的形态相似性和观察者之间的变异性.
- 现有的方法难以应对冠状动脉树结构的复杂性.
研究的目的:
- 提出一个新的基于协会图的图形匹配网络 (AGMN),用于在ICA中对冠状动脉段进行强大的语义标记.
- 将语义标签任务转换为图形匹配问题,识别动脉对动脉对应.
- 加强冠状动脉狭窄的自动诊断,并改进计算机辅助CAD评估.
主要方法:
- 从ICA提取血管树并转换为单个图表.
- 构建一个关联图,其中顶点代表动脉段之间的关系.
- 在AGMN中应用图形卷积网络来学习跨图形的动脉段之间的语义映射.
主要成果:
- 在263个ICAs的数据集上,AGMN模型实现了高性能,平均准确率为0.8264,精度为0.8276,回忆率为0.8264,F1得分为0.8262.
- 提出的方法显著优于现有的冠状动脉语义标记技术.
- 通过五倍交叉验证方案的验证证明了该模型的稳定性.
结论:
- 开发的AGMN算法在ICA中提供了冠状动脉的准确,可解释和强大的语义标签.
- 这种方法为心脏病学中计算机辅助诊断系统提供了重大进展.
- 该方法有效地解决了复杂的冠状动脉解剖学和观察者之间的变异性的挑战.
