冠状动脉的细分基于区分频率学习和冠状动脉几何精细化

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 心血管疾病分析分析

背景情况:

• 精确的冠状动脉细分对于使用冠状动脉计算机断层扫描 (CCTA) 诊断斑块和狭窄等疾病至关重要.
• 在CCTA细分的挑战包括低图像对比度和复杂的冠状动脉结构.
• 现有的方法很难有效地处理这些细分困难.

研究的目的:

• 引入一种新的深度学习模型,即DFS-PDS网络,以改善CCTA图像中的冠状动脉细分.
• 为了解决CCTA数据中低对比度和复杂结构的局限性.
• 提高冠状动脉细分的准确性和可靠性,用于临床应用.

主要方法:

• 提出了一种双重子网络模型:区分频段 (DFS) 和位置域尺度 (PDS).
• DFS使用封闭机制和JPEG压缩原理来保存相关的频率信息以进行细分.
• PDS通过估计半径来预测冠状动脉形状,并通过精细分段面具的边界一致性损失来补充.

主要成果:

• 与最先进的 (SOTA) 模型相比,DFS-PDS网络在两个冠状动脉数据集上表现出更高的性能.
• 与Vnet,nnUnet和CAS-Net.Net等方法相比,在Dice和连接性评估指标中取得了更好的结果.
• 冠状动脉-几何精细化步骤通过利用预测的形状先验,有效地改善了细分.

结论:

• 在CCTA中,DFS-PDS网络为挑战冠状动脉细分提供了一个强大的解决方案.
• 拟议的模型有效地整合了频域分析和形状预测,以提高细分精度.
• 这一进步有可能改善冠状动脉疾病的检测和表征.