在心脏CT中用于冠状动脉化细分的解剖学指导级联U-Net合集

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 心血管成像 - 心血管成像

背景情况:

• 在心脏CT中精确细分冠状动脉化 (CAC) 是至关重要的,但由于等级不平衡和小损伤大小等问题而具有挑战性.
• 现有的方法经常与解剖学模糊性作斗争,导致在临床环境中表现不佳.

研究的目的:

• 开发和评估一个以解剖学为导向的,级联式的框架,用于强大且具有船舶意识的CAC细分.
• 为了提高心脏CT成像中CAC检测的准确性和可靠性.

主要方法:

• 使用ResU-Net模型的级联框架用于心脏区域隔离和冠状动脉细分,使用弗兰吉血管增强.
• 一个异质的U-Net组合 (U-Net,ResU-Net,Attention U-Net,UNet++) 用于在一个受容器限制的兴趣区域内进行化细分.
• 一个基于等级的选择性融合策略,整合了船只先验,以优先考虑准确的预测并抑制错误的阳性.

主要成果:

• 拟议的整体模型与斯坦福COCA数据集中的单个模型相比取得了更高的性能 (分数84.25%,灵敏度87.10%,特异性98.00%).
• 将先前的容器集成到选择性聚变中进一步改善了结果 (Dice 85.50%,灵敏度为88.53%),显示出更好的边界度和小损伤检测能力.
• 该框架显示了改善的解剖学可信性,支持可靠的CAC细分.

结论:

• 将特定数据集的解剖学先验与选择性组合相结合,可以显著提高CAC细分的准确性和可靠性.
• 开发的框架为临床成像工作流程提供了一个有前途的解决方案,改善了冠状动脉结的检测.