TQGDNet:通过计算机断层扫描检测冠状动脉沉积物

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 心脏病学 心脏病学

背景情况:

• 冠状动脉疾病 (CAD) 是死亡的主要原因.
• 通过CT图像进行冠状动脉 (CAC) 评分,有助于评估无症状个体的心血管风险.
• 目前使用卷积神经网络 (CNN) 的自动化CAC评分方法难以整合来自较低网络层的特征,这对于检测小沉积物至关重要.

研究的目的:

• 开发一种新的CNN模型,用于增强CAC评分,专门设计用于在CT图像中捕捉小区域和低对比度区域的特征.
• 改进跨多个CNN层的功能集成,特别关注下层,对于检测微妙的化至关重要.

主要方法:

• 提出了一种新的CNN架构,包括一个低对比度检测模块 (ThrConvs) 和两个融合模块:用于跨尺度特征融合的女王融合 (Qf) 和一个较低层的收集和分发 (GD) 模块.
• 该ThrConvs模块使用三个卷积块用于低对比度物体检测.
• 融合模块将相邻的CNN层中的神经元连接起来,以捕捉小沉积物及其周围环境的全面特征.

主要成果:

• 拟议的模型在公开的OrCaScore数据集 (269个沉积物) 上显示出卓越的性能.
• 与现有方法相比,在私有 Concord 和公共 OrCaScore 数据集上,平均像素精度 (mPA) 提高了 2.3-3.6%.
• 在CAC评分方面表现优于以前的最先进的检测方法.

结论:

• 新的CNN模型有效地捕捉了小区域和低对比度区域的特征,从而提高了CAC得分的准确性.
• 专用模块 (ThrConvs,Qf,GD) 的集成增强了该模型检测微妙冠状动脉化的能力.
• 这种方法在使用CT成像的自动心血管风险评估中取得了重大进展.