使用UNet与局部上下文变压器使用CCTA图像的自动冠状动脉细分使用UNet
Qianjin Wang1, Lisheng Xu2, Lu Wang1
1School of Computer Science and Engineering, Northeastern University, Shenyang, China.
Frontiers in physiology
|September 7, 2023
概括
这项研究引入了DR-LCT-UNet,这是一种在医学图像中对冠状动脉进行细分的新方法. 它通过增强特征保存和局部上下文利用来提高诊断冠状动脉疾病的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心血管疾病的诊断 心血管疾病的诊断
背景情况:
- 冠状动脉细分对于冠状动脉疾病的计算机辅助诊断至关重要.
- 当前的自动细分方法与小型船只尺寸和对比度问题作斗争,导致不准确.
- 过分细分和遗漏是现有技术中常见的问题.
研究的目的:
- 开发一种改进的基于卷积神经网络 (CNN) 的方法,用于准确的冠状动脉细分.
- 提高自动化细分的性能,以实现更好的计算机辅助诊断.
- 解决现有方法在处理小型船只和对比差异方面的局限性.
主要方法:
- 提出了一种新型的自动方法,DR-LCT-UNet,集成密度残留 (DR) 和局部上下文变压器 (LCT) 模块.
- 该DR模块使用密集的剩余连接来保存微妙的特征.
- LCT模块增强了3D细分网络中的本地上下文信息的利用.
主要成果:
- 在CorArtTS2020数据集上,DR-LCT-UNet实现了85.8%的子相似系数 (DSC),86.3%的回忆率和85.8%的精度.
- 拟议的方法在DSC中表现比3D-UNet基线高2.1%,在回忆中高1.9%,在精度中高2.1%.
- 与其他六种细分方法相比,表现出优越的性能.
结论:
- 该DR-LCT-UNet方法显著提高了冠状动脉细分的准确性.
- 整合DR和LCT模块有效地解决了细分小和差异化冠状动脉的挑战.
- 这一进步有望为冠状动脉疾病的更可靠的计算机辅助诊断提供希望.
