MSA-UNet3+: Multi-Scale Attention UNet3+ with New Supervised Prototypical Contrastive Loss for Coronary DSA Image Segmentation

要約

冠動脈疾患の診断と治療には、冠動脈デジタル減算血管造影（DSA）画像の正確なセグメンテーションが不可欠です。
深い学習ベースのセグメンテーションの進歩にもかかわらず、コントラストの低い、ノイズ、重複構造、クラス内の分散が高い、クラスの不均衡などの課題は、正確な容器の描写を制限します。
これらの制限を克服するために、MSA-UNET3+：冠動脈DSA画像セグメンテーションのMultiScale Atterness Enhanced UNET3+アーキテクチャを提案します。
このフレームワークは、マルチスケール拡張ボトルネック（MSD-BottleNeck）とコンテキストの注意融合モジュール（CAFM）を組み合わせました。これにより、マルチスケールの特徴抽出を強化するだけでなく、微細粒度の詳細を保持し、コンテキストの理解が向上します。
さらに、監視されたプロトタイプのコントラスト損失（SPCL）を提案します。これは、分類されている背景サンプルに焦点を当てることにより、クラスの不均衡とクラス内の分散を最小限に抑えるために、監視されたプロトタイプの対照学習を組み合わせています。
私的な冠動脈DSAデータセットで実施された実験は、MSA-UNET3+が最先端の方法を上回り、87.73％のサイコロ係数、87.78％のF1スコア、平均表面距離（ASD）と平均等輪距離（ACD）を大幅に減少させることを示しています。
開発されたフレームワークは、臨床医に正確な容器セグメンテーションを提供し、冠動脈狭窄の正確な識別を可能にし、情報に基づいた診断と治療の決定をサポートします。
このコードは、次のGithubプロファイルリンクhttps://github.com/rayanmerghani/msa-unet3plusでリリースされます。

要約(オリジナル)

The accurate segmentation of coronary Digital Subtraction Angiography (DSA) images is essential for diagnosing and treating coronary artery diseases. Despite advances in deep learning-based segmentation, challenges such as low contrast, noise, overlapping structures, high intra-class variance, and class imbalance limit precise vessel delineation. To overcome these limitations, we propose the MSA-UNet3+: a Multi-Scale Attention enhanced UNet3+ architecture for coronary DSA image segmentation. The framework combined Multi-Scale Dilated Bottleneck (MSD-Bottleneck) with Contextual Attention Fusion Module (CAFM), which not only enhances multi-scale feature extraction but also preserve fine-grained details, and improve contextual understanding. Furthermore, we propose a new Supervised Prototypical Contrastive Loss (SPCL), which combines supervised and prototypical contrastive learning to minimize class imbalance and high intra-class variance by focusing on hard-to-classified background samples. Experiments carried out on a private coronary DSA dataset demonstrate that MSA-UNet3+ outperforms state-of-the-art methods, achieving a Dice coefficient of 87.73%, an F1-score of 87.78%, and significantly reduced Average Surface Distance (ASD) and Average Contour Distance (ACD). The developed framework provides clinicians with precise vessel segmentation, enabling accurate identification of coronary stenosis and supporting informed diagnostic and therapeutic decisions. The code will be released at the following GitHub profile link https://github.com/rayanmerghani/MSA-UNet3plus.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google