在计算机断层扫描血管学 (CTA) 中使用Swin-UNet和先进数据增强的多尺度深度监测进行动脉细分
Haodong Xie1, Hongmei Gu2, Minda Li2
1Department of Medical Informatics, Medical School of Nantong University, Nantong, China.
Quantitative imaging in medicine and surgery
|April 16, 2025
概括
这项研究引入了一种自动化的深度学习方法,用于从CTA图像中对3D动脉细分,显著提高诊断动脉疾病 (CAD) 的准确性和效率. 新的多流量--深度-UNet模型为临床应用提供了强大的解决方案.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心血管疾病研究研究
背景情况:
- 动脉疾病 (CAD) 是中风的重要危险因素,通常使用耗时的计算机断层扫描血管学 (CTA) 图像的手动细分来诊断.
- 目前CAD的诊断方法缺乏自动化,需要先进的技术来进行高效和准确的图像分析.
- 对于及时诊断和治疗计划而言,需要精确的3D动脉细分是至关重要的.
研究的目的:
- 开发和验证一个自动化的深度学习 (DL) 模型,用于从CTA图像中准确的3D动脉细分.
- 通过先进的图像分析技术,提高CAD诊断的效率和精度.
- 将拟议的DL模型的性能与现有的最先进方法进行比较.
主要方法:
- 从多个医院收集和注释了214张CTA图像.
- 采用了用于图像预处理和增强的新型窗口/水平调整.
- 采用了多流量-旋转-深度-UNet (MFSD-UNet) 模型,结合了多规模的深度监督和多流量融合以进行细分.
主要成果:
- MFSD-UNet模型实现了0.9119的高平均子系数和0.9819的准确性.
- 超过了两种最先进的模型,具有明显更好的子系数 (P<0.05).
- 除研究证实了集成的Swin变压器和深度监控组件的优越性,通过七倍交叉验证证明了模型的稳定性.
结论:
- 成功开发了一种基于DL的新方法,用于自动从CTA图像中对动脉进行3D细分.
- 斯温变压器的集成,深度监督和数据增强显著提高了细分精度和稳定性.
- 这种自动化方法为CAD诊断和治疗提供了有价值的临床支持,并有可能用于更广泛的医学图像细分应用.
