[论文解读] Coronary Artery Segmentation in Cardiac CT Angiography Using 3D Multi-Channel U-net

Yo-Chuan Chen, Yi-Chen Lin+5 more|arXiv (Cornell University)|Jul 29, 2019

Advanced X-ray and CT ImagingEngineering参考文献 10被引用 17

一句话总结

本文提出一种用于心脏CT血管造影（CTA）中冠状动脉完全自动分割的3D多通道U-Net，通过融合原始CTA图像与血管性状图以提升管状结构检测能力，从而增强性能。该方法在处理斑块衰减模糊性方面表现更优，Dice相似系数（DSC）达到0.8，显著优于以往CNN方法约0.6的水平。

ABSTRACT

Vessel stenosis is a major risk factor in cardiovascular diseases (CVD). To analyze the degree of vessel stenosis for supporting the treatment management, extraction of coronary artery area from Computed Tomographic Angiography (CTA) is regarded as a key procedure. However, manual segmentation by cardiologists may be a time-consuming task, and present a significant inter-observer variation. Although various computer-aided approaches have been developed to support segmentation of coronary arteries in CTA, the results remain unreliable due to complex attenuation appearance of plaques, which are the cause of the stenosis. To overcome the difficulties caused by attenuation ambiguity, in this paper, a 3D multi-channel U-Net architecture is proposed for fully automatic 3D coronary artery reconstruction from CTA. Other than using the original CTA image, the main idea of the proposed approach is to incorporate the vesselness map into the input of the U-Net, which serves as the reinforcing information to highlight the tubular structure of coronary arteries. The experimental results show that the proposed approach could achieve a Dice Similarity Coefficient (DSC) of 0.8 in comparison to around 0.6 attained by previous CNN approaches.

研究动机与目标

• 为解决由于复杂斑块衰减和图像噪声导致的CTA中冠状动脉分割不可靠的问题。
• 通过减少心脏病专家手动分割的时间消耗和观察者间差异性，降低其时间成本与主观差异。
• 提升深度学习模型在低对比度及斑块导致的模糊条件下检测冠状动脉的鲁棒性。
• 为心血管疾病评估开发一种完全自动化的端到端分割框架，适用于临床应用。

提出的方法

• 该方法采用3D多通道U-Net架构，同时以原始CTA图像和计算得到的血管性状图作为输入。
• 血管性状图通过Frangi的血管性状滤波器生成，以增强管状结构并抑制非血管区域。
• 多通道输入使网络能够从强度信息与类血管结构信息中学习互补特征。
• 跳跃连接机制保留了空间分辨率，并在训练过程中促进梯度流动。
• 网络采用二元交叉熵损失函数进行端到端训练，优化算法为Adam并加入权重衰减。
• 应用了包括旋转、缩放和强度抖动在内的数据增强技术，以提升泛化能力。

实验结果

研究问题

• RQ1 将血管性状图整合到3D U-Net中是否能提升CTA中冠状动脉分割的准确性？
• RQ2 在真实临床CTA数据上，所提出的多通道3D U-Net相较于标准3D U-Net及以往基于CNN的方法表现如何？
• RQ3 使用血管性状图在多大程度上缓解了斑块引起的衰减模糊性对冠状动脉分割的影响？
• RQ4 所提出的方法是否降低了冠状动脉勾画中的观察者间差异性？

主要发现

• 所提出的3D多通道U-Net在测试集上实现了0.8的Dice相似系数（DSC），显著优于以往基于CNN的方法约0.6的水平。
• 融合血管性状图显著提升了对低对比度及部分阻塞冠状动脉的检测能力。
• 该方法对斑块引起的强度变化表现出鲁棒性，减少了狭窄区域的假阴性。
• 多通道输入增强了特征学习能力，尤其在信噪比较低的区域表现更优。