一种基于深度强化学习的持续作用剂,用于冠状动脉CT血管图像中的冠状动脉中心线提取

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 心血管研究研究心血管研究

背景情况:

• 冠状动脉光线中心线的提取对于检测狭窄和斑块至关重要.
• 现有的离散行动方法与文物和斑块作斗争,限制了重建的准确性.

研究的目的:

• 开发一个持续作用的深度强化学习 (DRL) 模型,以改善冠状动脉中线提取.
• 为了提高冠状动脉重建的准确性,特别是在有文物或斑块的情况下.

主要方法:

• 使用Actor-Critic架构的连续动作DRL模型被训练来预测冠状动脉方向和半径.
• 引入了一种新的DDR奖励功能,用于评估中间线提取和半径估计期间的代理行为.
• 该模型的性能在80个测试数据集上进行了评估,其中包括53个具有文物或斑块的案例.

主要成果:

• 连续作用方法在所有测试数据上实现了高精度指标 (OV: 95.7%,OF: 93.6%,OT: 97.3%,AI: 0.22 mm).
• 在有文物/斑块的情况下,该方法保持了强的性能 (OV: 95.0%,OF: 91.5%,OT: 96.7%,AI: 0.23毫米).
• 在参考值和估计半径值之间观察到很好的一致性 (95%的一致性极限<0.46毫米).

结论:

• 基于Actor-Critic的连续动作DRL模型有效地提取冠状动脉中心线并估计半径值.
• 这种新的方法在处理文物和斑块时优于离散动作方法,导致更准确的冠状动脉重建.
• 精确的重建有助于改善冠状动脉狭窄和斑块的检测.