Robust Landmark-based Stent Tracking in X-ray Fluoroscopy

要約

血管形成術の臨床手順（すなわち、開いた詰まった冠状動脈）では、X線透視室のガイダンスの下で、バルーンやステントなどのデバイスを動脈に配置して拡張する必要があります。
X線の線量が制限されているため、結果として得られる画像はノイズが多いことがよくあります。
これらのデバイスの正しい配置を確認するために、通常、複数の動き補償フレームが平均化されて、ビューが向上します。
したがって、デバイスの追跡はこの目的に必要な手順です。
血管形成術デバイスは、追跡を容易にするために放射線不透過性マーカーを有するように設計されているが、現在の方法は、血管形成術における小さなマーカーサイズおよび複雑なシーンのために満足のいく結果を提供するのに苦労している。
この論文では、単一ステント追跡のためのエンドツーエンドの深層学習フレームワークを提案します。これは、U-Netベースのランドマーク検出、ResNetベースのステント提案と特徴抽出、およびグラフ畳み込みニューラルネットワーク（GCN）の3つの階層モジュールで構成されます。
空間情報と外観の特徴の両方を時間的に集約するベースのステント追跡。
実験は、最先端のポイントベースの追跡モデルと比較して、私たちの方法が検出において著しく優れていることを示しています。
さらに、その高速な推論速度は臨床要件を満たします。

要約(オリジナル)

In clinical procedures of angioplasty (i.e., open clogged coronary arteries), devices such as balloons and stents need to be placed and expanded in arteries under the guidance of X-ray fluoroscopy. Due to the limitation of X-ray dose, the resulting images are often noisy. To check the correct placement of these devices, typically multiple motion-compensated frames are averaged to enhance the view. Therefore, device tracking is a necessary procedure for this purpose. Even though angioplasty devices are designed to have radiopaque markers for the ease of tracking, current methods struggle to deliver satisfactory results due to the small marker size and complex scenes in angioplasty. In this paper, we propose an end-to-end deep learning framework for single stent tracking, which consists of three hierarchical modules: U-Net based landmark detection, ResNet based stent proposal and feature extraction, and graph convolutional neural network (GCN) based stent tracking that temporally aggregates both spatial information and appearance features. The experiments show that our method performs significantly better in detection compared with the state-of-the-art point-based tracking models. In addition, its fast inference speed satisfies clinical requirements.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google