面向拓的前景聚焦网络,用于半监督的冠状动脉细分网络
Xiangxin Wang1, Zhan Wu1, Yujia Zhou2
1School of Computer Science and Engineering, Southeast University, Nanjing, 210096, China; Key Laboratory of New Generation Artificial Intelligence Technology and Its Interdisciplinary Applications (Southeast University), Ministry of Education, Nanjing, 210096, China; Jiangsu Provincial Joint International Research Laboratory of Medical Information Processing (Southeast University), Nanjing, 210096, China.
本研究介绍了TOFF-Net,这是一个新的深度学习模型,用于在CCTA图像中对冠状动脉 (CA) 进行细分. TOFF-Net提高了准确性和拓一致性,解决了自动化CA细分的关键挑战.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 精确的冠状动脉 (CA) 分段从冠状动脉计算机断层扫描血管造影 (CCTA) 对于诊断冠状动脉疾病和手术规划至关重要.
- 目前的细分方法难以保持拓一致性,将CA与其他管状结构区分开来,并且标记数据有限.
研究的目的:
- 开发一个全新的半监督深度学习网络,TOFF-Net,用于强大而准确的自动CA细分.
- 为了应对拓一致性,无关船舶干扰和CCTA图像细分中的数据稀缺性等挑战.
主要方法:
- 提出了一个以拓为导向的前景聚焦网络 (TOFF-Net),结合了血管连接性保护 (VCP) 损失.
- 引入了无关船舶移除 (IVR) 模块,以加强本地和全球船舶细节集成.
- 实施了前景标签迁移和聚焦 (FLMF) 模块,并与Pioneer-Imitator学习进行半监督学习.
主要成果:
- 在多个数据集的CA细分方面,TOFF-Net实现了最先进的性能.
- 证明了高的拓一致性,并显著减少了不相关的管状结构的假阳性.
- 对内部和公共CCTA数据集的验证有效性.
结论:
- TOFF-Net有效地解决了CCTA自动冠状动脉细分方面的关键挑战.
- 提出的方法在准确性和拓完整性方面取得了显著的改进.
- TOFF-Net显示出除了冠状动脉之外的其他血管结构的细分潜力.
更多相关视频
06:57Author Spotlight: Advancing Cardiovascular Imaging - Introducing the Spatially Weighted Calcium Score for Early Disease Detection
Published on: September 22, 2023
04:25Author Spotlight: Bridging Gaps in Anatomy and Establishing a Foundation for Algorithmic Studies
Published on: December 15, 2023