一个协同的多尺度注意力和复合特征提取网络,用于冠状动脉细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 心血管外科心血管外科

背景情况:

• 精确的冠状动脉细分对于机器人辅助皮肤冠状动脉干预 (PCI) 至关重要.
• 现有的方法在数字减去血管学 (DSA) 图像中与文物,细分支和不连续性作斗争.
• 这些局限性阻碍了外科导航所需的精度.

研究的目的:

• 从DSA图像开发一个新的深度学习框架,用于精确的冠状动脉细分.
• 提高细分血管的准确性和拓连接性,以加强外科手术指导.

主要方法:

• 一个U形的深度学习架构,包含一个复合特征提取模块 (CFEM) 和一个多尺度复合注意模块 (MCAM).
• CFEM通过尺度捕捉管状血管特征;MCAM通过注意力机制增强细分支的感知和远程依赖.
• 一个结合的子-焦点损失函数优化了边界精度和类不平衡.

主要成果:

• 拟议的方法在ARCADE数据集上实现了Dice系数为76.74%,clDice系数为50.30%,HD95系数为57.84像素.
• 与最先进的方法相比,在细分精度和血管连接方面取得了显著的改进.
• 该框架有效地解决了文物和细血管结构带来的挑战.

结论:

• 新的深度学习框架为机器人辅助的PCI提供了强大而准确的冠状动脉细分.
• 增强的细分精度和连接性对干预性手术具有重大临床潜力.
• 这种方法提供可靠的血管结构信息,改善手术导航和结果.