基于时间残留U-Net的稳健的光线细分,使用血管内光学连贯断层扫描图像中的时空特征

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 心血管研究研究心血管研究

背景情况:

• 在血管内光学相干断层扫描 (IVOCT) 中精确的光线细分对于评估血管狭窄至关重要.
• 目前的细分方法受到图像工件和手动参数调整的限制,这阻碍了临床应用.

研究的目的:

• 为IVOCT图像开发一个强大的光线细分方法,特别是解决图像工件带来的挑战.
• 引入一个时间残留U-Net (TR-Unet) 模型,利用时空特征融合来提高细分精度.

主要方法:

• TR-Unet集成了卷积长期短期记忆网络,用于时间动态,增强了空间特征的ResUnet,并协调了适应融合的注意力.
• 该模型在2451张临床IVOCT图像上进行了训练和评估.

主要成果:

• TR-Unet实现了高性能指标:子系数为98.54%,贾卡德相似性 (JS) 为97.17%,回忆率为98.26%.
• 与现有方法相比,在被人工制品损坏的图像中观察到显著改善,Dice (3.01%),ACC (1.3%),JS (5.24%),回忆 (2.15%) 和精度 (2.06%) 增加.

结论:

• TR-Unet为IVOCT光线细分提供了一个强大的时空融合方法.
• 该模型对图像工件具有显著的弹性,为医学图像分析中的时间建模提供了有价值的建筑见解.