DCCAT:双坐标交叉注意力变压器用于冠状动脉OCT上的血栓细分
Miao Chu1, Giovanni Luigi De Maria2, Ruobing Dai3
1Biomedical Instrument Institute, School of Biomedical Engineering, Shanghai Jiao Tong University, Shanghai, China; Oxford Heart Centre, Oxford University Hospitals NHS Trust, UK; Division of Cardiovascular Medicine, Radcliffe Department of Medicine, University of Oxford, UK.
一个新的双坐标交叉注意力变压器网络 (DCCAT) 在光学连贯断层扫描 (OCT) 图像中准确地细分了血栓. 这种自动化方法提高了急性冠状动脉综合征 (ACS) 诊断和治疗计划的准确性.
科学领域:
- 心血管成像 - 心血管成像
- 人工智能在医学中的应用
- 医学图像分析 医学图像分析
背景情况:
- 急性冠状动脉综合征 (ACS) 是一个主要的全球健康问题,血栓形成是其病理学的核心.
- 准确的血栓负担评估对于ACS患者的有效治疗和预后至关重要.
- 冠状动脉光学连贯断层扫描 (OCT) 提供了详细的体内血栓可视化,但由于血栓变异性和有限的数据,自动定量仍然是一个挑战.
研究的目的:
- 开发和验证一种新的深度学习模型,用于冠状动脉OCT图像中的自动血栓细分.
- 通过创新的网络架构来应对血栓变性和小数据集的挑战.
主要方法:
- 提出了一种新的双坐标交叉注意力变压器网络 (DCCAT),集成了来自卡特西安和极地坐标的特征.
- DCCAT模型使用多头交叉注意力机制来实现特征融合和分层叠加,并使用卷积层.
- 该模型在来自339名患者的5649个OCT框架上进行了训练,并通过52名患者的548个框架的独立数据集进行了验证.
主要成果:
- 对于血栓细分,DCCAT获得了0.706的Dice相似度得分 (DSC),超过了现有的基于CNN (0.656) 和基于变压器 (0.584) 的模型.
- 加入极地图像功能增强了对几何转换的模型稳定性.
- 该模型显示了高数据效率,仅使用10%的培训数据实现了竞争性表现.
结论:
- 拟议的DCCAT模型代表了冠状动脉OCT的自动化血栓细分的重大进展.
- 双坐标交叉注意力方法有效地处理了血栓变异性,并提高了细分精度.
- 这种方法有望提高临床决策在急性冠状动脉综合征的管理.
更多相关视频
12:54Simultaneous Brightfield, Fluorescence, and Optical Coherence Tomographic Imaging of Contracting Cardiac Trabeculae Ex Vivo
Published on: October 2, 2021
13:07Optical Coherence Tomography Based Biomechanical Fluid-Structure Interaction Analysis of Coronary Atherosclerosis Progression
Published on: January 15, 2022
