GVM-Net:一个基于GNN的血管匹配网络,用于2D/3D非刚性冠状动脉注册
IEEE transactions on medical imaging
|March 3, 2025
概括
这项研究引入了基于GNN的血管匹配网络 (GVM-Net),用于在CT血管造影和手术内血管造影之间准确地记录冠状动脉. 通过解决非刚性变形和拓差异,GVM-Net 改进了穿皮冠状动脉干预.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 心血管干预 心血管干预
背景情况:
- 在术前冠状动脉计算机断层扫描血管造影 (CCTA) 和术内冠状动脉造影 (ICA) 之间准确地记录冠状动脉结构,对于指导穿皮冠状动脉干预 (PCI) 至关重要.
- 挑战包括非刚性变形和CCTA和ICA之间的维度/拓差异,妨碍精确的2D/3D冠状动脉注册.
研究的目的:
- 开发一个端到端的深度学习方法,用于强大的2D/3D冠状动脉注册.
- 来自不同成像方式的冠状动脉结构之间建立密集的对应.
主要方法:
- 制定冠状动脉注册作为中心线特征匹配任务.
- 提出了一个基于图形神经网络的容器匹配网络 (GVM-Net),利用图形节点用于中心线点和注意力机制用于拓关系建模.
- 嵌入了匹配矩阵中的冗余行/列和基于查询的节点分组模块,以处理结构不一致性和探索拓关系.
主要成果:
- 在合成数据集 (276对) 上,GVM-Net的平均F1得分为89.74% (平均距离为0.48像素).
- 在55个临床病例中,GVM-Net平均F1得分为83.35% (1.52毫米平均误差).
- 在合成和临床评估中,性能超过了现有的特征匹配方法.
结论:
- GVM-Net有效地解决了冠状动脉注册中的非刚性变形和拓差异.
- 拟议的基于GNN的方法使CCTA和ICA之间能够准确密集的通信,从而增强了PCI的指导.


