[论文解读] Multi-Resolution 3D Convolutional Neural Networks for Automatic Coronary Centerline Extraction in Cardiac CT Angiography Scans

Zohaib Salahuddin, Matthias Lenga+1 more|arXiv (Cornell University)|Oct 2, 2020

Cardiac Imaging and Diagnostics参考文献 16被引用 15

一句话总结

本文提出 AuCoTrack，一种基于多分辨率 3D 卷积神经网络的端到端自动冠状动脉中心线提取方法，适用于心脏 CT 血管造影（CCTA）。该方法采用双路 3D CNN 预测血管方向与分叉结构，并通过停止网络实现追踪终止，仅需两个初始开口点且无需每根血管的人工干预，即可在 MICCAI 2008 挑战赛数据集上实现 96.4% 的临床相关重叠率。

ABSTRACT

We propose a deep learning-based automatic coronary artery tree centerline tracker (AuCoTrack) extending the vessel tracker by Wolterink (arXiv:1810.03143). A dual pathway Convolutional Neural Network (CNN) operating on multi-scale 3D inputs predicts the direction of the coronary arteries as well as the presence of a bifurcation. A similar multi-scale dual pathway 3D CNN is trained to identify coronary artery endpoints for terminating the tracking process. Two or more continuation directions are derived based on the bifurcation detection. The iterative tracker detects the entire left and right coronary artery trees based on only two ostium landmarks derived from a model-based segmentation of the heart. The 3D CNNs were trained on a proprietary dataset consisting of 43 CCTA scans. An average sensitivity of 87.1% and clinically relevant overlap of 89.1% was obtained relative to a refined manual segmentation. In addition, the MICCAI 2008 Coronary Artery Tracking Challenge (CAT08) training and test datasets were used to benchmark the algorithm and to assess its generalization. An average overlap of 93.6% and a clinically relevant overlap of 96.4% were obtained. The proposed method achieved better overlap scores than the current state-of-the-art automatic centerline extraction techniques on the CAT08 dataset with a vessel detection rate of 95%.

研究动机与目标

• 开发一种完全自动、鲁棒且高效的冠状动脉中心线提取方法，适用于 CCTA 临床应用。
• 减少对手动或半自动初始化点的依赖，实现仅用单个种子点追踪完整冠状动脉树。
• 提升在不同图像质量和钙化负荷下的泛化能力。
• 在无需特定血管种子点的情况下，实现高精度与一致性的中心线提取。
• 通过重组图像（MPR/cMPR）实现实时可视化，支持临床诊断。

提出的方法

• 双路 3D CNN（DBC-Net）处理多尺度图像块，预测朝向血管中心线的方向，并将图像块分类为正常或分叉类型。
• 独立的多尺度 3D CNN（STC-Net）用于判断图像块是否包含血管，用于终止追踪。
• 追踪从通过基于模型的心脏分割自动检测的两个开口点开始，沿预测方向逐步推进。
• 当 STC-Net 预测某图像块中“无血管”时终止追踪，结合投票机制与移动平均熵以提升终止的鲁棒性。
• 利用 3D 图像块中的局部强度模式引导方向预测与分叉检测，避免依赖全局血管模型。
• 方法在 43 例专有 CCTA 扫描数据上进行训练，并在 MICCAI 2008 CAT08 数据集上进行基准测试与泛化能力评估。

实验结果

研究问题

• RQ1 基于多尺度 3D CNN 的追踪器是否能仅凭两个初始种子点实现完全自动的冠状动脉中心线提取？
• RQ2 该方法在不同 CCTA 图像质量与钙化负荷下的泛化能力如何？
• RQ3 追踪器是否能可靠检测分叉并无需人工干预即在血管末端终止？
• RQ4 与当前最先进的全自动及交互式中心线提取技术相比，该方法的性能如何？
• RQ5 在低质量或钙化严重的扫描中，该追踪器是否能保持高精度？其对复杂血管分支结构的处理能力如何？

主要发现

• AuCoTrack 在 MICCAI 2008 CAT08 测试数据集上实现了 96.4% 的临床相关重叠率，优于当前最先进的全自动方法。
• 在 CAT08 数据集上平均重叠率达 93.6%，在内部数据集上达 89.1%，血管检测率为 95%。
• 性能在不同图像质量下保持稳定：低质量扫描重叠率为 87.8%，中等质量为 95.4%，高质量为 94.4%。
• 算法对冠状动脉钙化具有鲁棒性，重叠率分别为：低钙化 92.9%，中度钙化 94.0%，重度钙化 94.2%。
• 平均每例耗时 42.1 秒（未优化），表明其具备临床应用的可行性。
• 该方法从 43 例专有数据集到 CAT08 数据集表现出良好的泛化能力，表明其在不同扫描设备与图像采集协议间具有强迁移能力。