使用深度学习和B-Splines从3D图像中建模血管光

科学领域:

• 医疗成像医学成像
• 计算几何学的计算几何学
• 机器学习 机器学习

背景情况:

• 准确地对血管光线进行几何建模对于诊断和监测血管疾病至关重要.
• 现有的方法通常假定船体截面 (圆形/圆形) 简化,限制了复杂几何形状的准确性.
• 图像细分可以引入空间分辨率错误,影响光线边界定位.

研究的目的:

• 从3D图像开发一种新的方法,用于精确地从3D图像中对血管光线进行几何建模.
• 通过避免循环/圆截面和图像细分的假设来克服现有方法的局限性.
• 为了实现更快,更准确的容器量化,用于临床应用和研究.

主要方法:

• 利用参数B-splines与图像形成系统方程相结合,以建模光线边界.
• 使用feedforward神经网络,有效地从横截面图像中识别模型参数.
• 避免了传统的图像细分,以保持本地化准确度.

主要成果:

• 在没有细分的情况下,B-spline方法准确地定位了高度曲的光线边界.
• 送神经网络识别模型参数的速度远远快于最小方位匹配算法.
• 在模拟下肢动脉静脉复合体 (MRI) 和冠状动脉 (CTA) 中成功应用.

结论:

• 拟议的方法为准确的血管光度建模提供了强大而高效的方法.
• 这种技术增强了血管疾病的诊断能力,并支持诸如血流模拟等应用.
• 该方法还可以自动化图像数据集注释,用于训练医学成像中的机器学习算法.