在非对比心脏CT中,冠状动脉细分使用了基于解剖学的对比学习和合成数据

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 心血管疾病研究研究

背景情况:

• 非对比心脏CT (NCCT) 是一种低剂量,具有成本效益的工具,用于冠状动脉疾病查.
• 在NCCT中,冠状动脉的自动细分是具有挑战性的,因为血管的可见性差,注释数据有限.

研究的目的:

• 开发一种深度学习方法,从NCCT图像中准确地对冠状动脉进行细分,而无需手动注释.
• 为了克服NCCT分析中船舶可见度差和数据稀缺的局限性.

主要方法:

• 提出了SynCAS (合成数据驱动的冠状动脉细分),这是一个完全基于合成数据进行训练的深度学习框架.
• 开发了一个合成的NCCT数据集生成管道,具有完美的地面真相.
• 引入了基于解剖学的对比学习策略,使用voxel级伪负样本来改善血管分化.

主要成果:

• 在公共和内部数据集上,SynCAS与最先进的无监督和域调整方法相比,表现优越.
• 该模型在不同数据集中显示出强大的概括能力,尽管仅在合成数据上进行训练.
• 从背景结构中有效区分冠状动脉,减少错误阳性.

结论:

• 在非对比成像中,SynCAS为冠状动脉分析提供了强大的解决方案.
• 促进了回顾性分析和大规模的心血管风险查,避免了与CCTA相关的风险.
• 介绍了一种新的方法来克服医学图像细分中的注释依赖.