在侵袭性冠状动脉血管图中,使用深度学习对冠状动脉进行自动提取
Yinghui Meng1, Zhenglong Du1, Chen Zhao2
1School of Computer and Communication Engineering, Zhengzhou University of Light Industry, Zhengzhou, Henan, China.
概括
一种新的深度学习方法准确地从侵入性冠状动脉血管学 (ICA) 图像中提取冠状动脉. 这种自动化的方法有望改善冠状动脉疾病诊断和临床应用.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心血管疾病 心血管疾病
背景情况:
- 从侵入性冠状动脉血管学 (ICA) 中精确的冠状动脉提取对于诊断和评估冠状动脉疾病 (CAD) 的风险至关重要.
- 目前的方法可能缺乏全面CAD评估所需的精度.
研究的目的:
- 开发和评估一种新的深度学习 (DL) 方法,用于从ICA图像中自动提取冠状动脉.
- 在心血管成像中提高冠状动脉细分的准确性和效率.
主要方法:
- 设计了一个卷积神经网络 (CNN),结合了全面的跳过连接和深度监视.
- 美国有线电视新闻网利用剩余和初始模块进行多级特征提取和转移学习,以提高性能.
- 实现了混合损失函数以优化细分模型.
主要成果:
- 在616个ICAs的数据集上,DL模型实现了0.8942的Dice得分,0.8735的灵敏度和0.9954的特异性.
- 该模型展示了6.0794毫米的豪斯多夫距离,并在0.2114秒内处理单个ICA.
- 性能超过了现有的最先进的深度学习模型.
结论:
- 拟议的DL方法与目前的冠状动脉提取先进模型相比,提供了更高的性能.
- 这种自动化细分技术在CAD诊断和管理中具有显著的临床应用潜力.
