在X射线冠状动脉血管学中通过时融合和基于注意力的CNN检测手术内狭窄症

科学领域:

• 心血管成像 - 心血管成像
• 人工智能在医学中的应用
• 医学图像分析 医学图像分析

背景情况:

• 冠状动脉疾病 (CAD) 是导致死亡的主要原因,由动脉样硬化斑块的积累驱动.
• X射线冠状动脉造影 (XCA) 是CAD诊断的黄金标准,需要精确地定位狭窄.
• 在XCA中手动检测狭窄是具有挑战性的,因为复杂的解剖学和运动器件,可能会延迟治疗和心肌损伤.

研究的目的:

• 在XCA图像中开发一种用于准确定位冠状动脉狭窄的自动化方法.
• 克服手动检测的局限性,减少诊断时间和改善患者的治疗结果.

主要方法:

• 一个新的卷积神经网络 (CNN) 框架,集成特征级的时间融合和注意力模块.
• 时间融合模块结合了可变形卷积和基于关联的方法,以整合时间变化的容器特征.
• 注意模块使用通道智能和空间智能重新校准,通过捕捉全球上下文和本地形态来增强狭窄检测.

主要成果:

• 与现有的注意力和物体检测技术相比,建议的CNN方法显著提高了狭窄检测性能 (P<0.05).
• 在两个不同的数据集中实现了最高的平均召回分数,证明了强大的性能.
• 融合和注意力策略在辨别冠状动脉狭窄方面被证明是有效的.

结论:

• 这项研究介绍了第一个混合CNN框架,其中包括XCA狭窄检测的时间融合和注意力机制.
• 开发的方法在提高检测性能方面表现出有效性.
• 这种方法有可能改善皮肤冠状动脉干预期间的手术内狭窄局部化.