洞穴:脑动脉-静脉细分在数字减去血管学
Ruisheng Su1, P Matthijs van der Sluijs1, Yuan Chen2
1Biomedical Imaging Group Rotterdam, Department of Radiology & Nuclear Medicine, Erasmus MC, University Medical Center Rotterdam, The Netherlands.
概括
我们开发了CAVE,这是一个深度学习网络,用于在脑数字减去血管学 (DSA) 中通过使用空间和时间特征对动脉和静脉进行细分. 在DSA血管分析中,CAVE显著优于现有的方法.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经血管疾病 神经血管疾病
背景情况:
- 大脑X射线数字减去血管造影 (DSA) 对于可视化神经血管结构至关重要.
- 在DSA中精确的动脉静脉细分对于定量血管分析和临床应用至关重要.
- 像U-Net这样的现有方法与DSA文物和时间流信息进行斗争,限制动脉-静脉分离.
研究的目的:
- 开发一种新的深度学习网络,用于在DSA中进行动脉静脉自动细分.
- 为了利用空间血管和时间流动特征来提高细分精度.
- 解决当前处理DSA文物和时间动态的方法的局限性.
主要方法:
- 提出了一个名为CAVE (脑动脉静脉编码器) 的新型深度学习网络.
- CAVE编码2D+时间DSA系列,使用空间和时间模块进行特征聚合.
- 该网络将聚合特征解码为动脉和静脉的二维细分图.
主要成果:
- 在一个大型的临床数据集上,CAVE在血管细分上获得了0.84 (±0.04) 的Dice分数和0.79 (±0.06) 的动脉静脉细分.
- CAVE显著超过了传统的基于 Frangi 的 k-means 集群和 U-Net (P < 0.001).
- 结果证明了将时空特征纳入DSA细分的有效性.
结论:
- 洞穴代表了大脑DSA的自动动脉静脉细分的重大进展.
- 利用时空特征提高了细分精度,优于现有的深度学习和传统方法.
- 这项研究是首次将深度学习应用于DSA中的自动动脉静脉细分,使用公开可用的代码.
