基于深度学习的关键点检测算法协助船只中线提取
Xiqian Zhang1,2, Wanqing Sun3, Hui Zhang4
1Paul C. Lauterbur Research Center for Biomedical Imaging, Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences, Shenzhen, China.
Quantitative imaging in medicine and surgery
|May 19, 2025
概括
一个新的关键点检测算法提高了用于斑块分析的血管中心线提取精度. 这种方法提高了曲的容器的精度,并大大缩短了处理时间.
科学领域:
- 医疗成像医学成像
- 计算解剖学的计算解剖学
- 血管生物学 血管生物学
背景情况:
- 船舶中线提取对于定量斑块分析至关重要.
- 当前的方法与曲的血管作斗争,导致不准确的结果.
- 本研究介绍了一种关键点检测算法,以提高准确性.
研究的目的:
- 开发和评估一个关键点检测算法来增强船只中线提取.
- 提高脑血管疾病定量斑块分析的准确性.
- 为了解决处理复杂船舶几何形状的现有算法的局限性.
主要方法:
- 用3.0-TMRI对539名脑血管疾病患者进行了回顾性分析.
- 32个关键关键点的选择 (例如,动脉吸管,分叉).
- 使用未检测到的点,错误的点,点精度和平均中心线距离 (ACD) 的评估.
主要成果:
- 该算法在32个关键点的平均准确率为88.99%,在18个关键点的平均准确率超过90%.
- 观察到高精度 (97%) 在动脉吸管的尖曲线.
- 平均中线距离 (ACD) 从0.529±0.334mm提高到0.484±0.321mm;检测时间从~320s减少到~2s.
结论:
- 拟议的算法自动准确地检测到关键点,特别是在内动脉和中脑动脉.
- 这提高了船体中线提取的准确性,有助于对斑块的评估.
- 该算法为脑血管斑块的定量分析提供了显著的改进.
