冠状动脉血管学中的冠状动脉血管细分与多尺度U形变压器结合边界聚合和拓保存

科学领域:

• 医学成像分析分析 医学成像分析
• 医疗保健中的人工智能
• 心血管诊断心血管诊断

背景情况:

• 准确的冠状动脉血管细分对于诊断冠状动脉心脏病至关重要.
• 挑战包括边界错误和血管破裂,特别是严重狭窄.
• 现有的方法难以保持船舶的连续性和边界精度.

研究的目的:

• 提出一种新的深度学习模型,UT-BTNet,用于精确的冠状动脉血管细分.
• 为了解决边界精度和分段的拓连续性的局限性.
• 改进冠心病的自动辅助诊断.

主要方法:

• 开发了一种具有边界聚合和拓保护 (UT-BTNet) 的多尺度U形变压器.
• 组合卷积神经网络 (CNN) 和变压器,用于有效的本地和全球特征提取.
• 采用双阶段损失函数,包括边界损失和拓损失.
• 引入了新的指标:边界交叉超过联盟 (BIoU) 和贝蒂误差.

主要成果:

• 通过0.9291的Dice和0.8687.7的IoU实现了高细分性能.
• 证明了优越的边界精度 (BIoU:0.5094) 和连续性 (贝蒂误差:0.3400).
• 在冠状动脉血管细分方面超越了最先进的方法.

结论:

• UT-BTNet有效地对冠状动脉血管进行细分,确保连续性和边界精度.
• 拟议的方法显示出在诊断冠状动脉心脏病时临床应用的巨大潜力.
• UT-BTNet为具有挑战性的细分病例提供了强大的解决方案,包括严重的狭窄症.