在X射线血管学中用于动脉细分的时间一致性意识网络
Botao Yang1, Chunming Li1, Simone Fezzi2
1School of Biomedical Engineering, Shanghai Jiao Tong University, HuaShan Road, Shanghai, 200030, China.
概括
深度学习模型TCA-Net通过使用本地和全球背景在血管学视频中增强动脉细分. 这有助于提高评估交感性缩 (RDN) 程序的一致性.
科学领域:
- 医学成像分析分析 医学成像分析
- 用于医疗应用的深度学习
- 心血管成像 - 心血管成像
背景情况:
- 在X射线血管学中对动脉进行准确的细分对于评估交感缩 (RDN) 程序至关重要.
- 挑战包括动态对比变化和在视频中变化的容器形态.
- 现有的方法在细分一致性方面扎.
研究的目的:
- 引入TCA-Net,这是一种新的深度学习模型,旨在提高动脉血管学视频中的细分一致性.
- 为了提高船舶细分,利用本地和全球的上下文信息.
- 为评估RDN程序提供更可靠的工具.
主要方法:
- 一个深度学习框架,结合了局部时间窗器容器增强模块和全球容器改进模块 (GVR).
- 局部模块融合了多个尺度的时间空间特征,以增强船只表示.
- 该GVR模块使用脱的注意力和门机制,以实现全局改进和冗余减少,训练有时间感知一致性损失.
主要成果:
- TCA-Net在195个动脉血管图序列的开发和44名患者的外部数据集上进行了评估.
- 在动脉细分方面获得了0.8678的高F1得分.
- 与现有的最先进的细分方法相比,表现出卓越的性能.
结论:
- 在动脉血管学视频中,TCA-Net显著改善了细分一致性.
- 有效地利用本地和全球时间上下文信息.
- 为评估RDN程序提供基于深度学习的可靠解决方案.
更多相关视频
06:38Early Detection of Drug-Induced Renal Hemodynamic Dysfunction Using Sonographic Technology in Rats
Published on: March 11, 2016
12.2K
06:59Improved Registration of 3D CT Angiography with X-ray Fluoroscopy for Image Fusion During Transcatheter Aortic Valve Implantation
Published on: June 3, 2018
10.7K
