VM-CAGSeg:一种血管结构意识状态空间模型,用于血管图像中的冠状动脉细分

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 在X射线血管学中冠状动脉细分对于皮肤冠状动脉干预 (PCI),指导支架部署和狭窄评估至关重要.
• 现有的方法面临着血管学限制,如低对比度,模糊的边界和碎片化的细分输出.
• 目前的方法往往受到噪音易感性和计算效率低下的影响,阻碍了临床应用.

研究的目的:

• 开发一个新的深度学习框架,VM-CAGSeg,用于准确和强大的冠状动脉细分.
• 通过整合船舶结构意识状态空间建模和先进特征融合技术来解决当前方法的局限性.
• 通过提高细分精度和细粒度细节的保存来改善PCI程序的形态指导.

主要方法:

• 建议VM-CAGSeg,一个U形的架构,包含一个容器结构感知状态空间 (VSASS) 块.
• 该VSASS块结合了多尺度船舶结构意识 (MVSA) 模块的几何先验与通过科尔莫戈罗夫-阿诺德状态空间 (KASS) 块的远程建模.
• 引入了跨阶段功能交互融合 (CSFIF) 模块,以取代传统的跳过连接,增强功能可变性和保持依赖性.

主要成果:

• VM-CAGSeg实现了最先进的性能,子相似系数 (DSC) 为88.15%和mIoU为79.19%.
• 显著改善了边界划分,与UNet++相比减少了95%的豪斯多夫距离 (HD95) 49.8%,与TransUNet相比减少了16.6%.
• 演示了强大的性能,在细分精度和边缘精度方面表现优于CNN,变压器和现有的基于SSM的方法.

结论:

• 多尺度血管意识建模,远程依赖学习和跨阶段特征融合的整合证明了对血管细分的有效性.
• 对于临床血管细分任务,VM-CAGSeg提供了可靠的解决方案,需要保存细粒度的细节.
• 该框架的开源可用性促进了进一步的研究和临床采用.