Automatic extraction of coronary arteries using deep learning in invasive coronary angiograms

要約

侵襲性冠状動脈造影（ICA）からの冠状動脈の正確な抽出は、冠状動脈疾患（CAD）の診断とリスク層別化のための臨床的意思決定において重要です。
この研究では、深層学習を使用して冠状動脈内腔を自動的に抽出する方法を開発します。
メソッド。
ICAから冠状動脈を自動抽出するために、本格的なスキップ接続と深い監視を組み込んだ深層学習モデルU-Net3+が提案されました。
この新しい冠状動脈抽出フレームワークでは、転移学習とハイブリッド損失関数が採用されました。
結果。
210人の患者から得られた616のICAを含むデータセットが使用されました。
技術評価では、U-Net 3+は0.8942のダイススコアと0.8735の感度を達成しました。これは、U-Net ++（ダイススコア：0.8814、感度0.8331）およびU-net（ダイススコア）よりも高い値です。
：0.8799、0.8305の感度）。
結論。
私たちの研究は、U-Net 3+が、ICAから冠状動脈を自動抽出するための他のセグメンテーションフレームワークよりも優れていることを示しています。
この結果は、臨床使用に大きな期待が寄せられていることを示唆しています。

要約(オリジナル)

Accurate extraction of coronary arteries from invasive coronary angiography (ICA) is important in clinical decision-making for the diagnosis and risk stratification of coronary artery disease (CAD). In this study, we develop a method using deep learning to automatically extract the coronary artery lumen. Methods. A deep learning model U-Net 3+, which incorporates the full-scale skip connections and deep supervisions, was proposed for automatic extraction of coronary arteries from ICAs. Transfer learning and a hybrid loss function were employed in this novel coronary artery extraction framework. Results. A data set containing 616 ICAs obtained from 210 patients was used. In the technical evaluation, the U-Net 3+ achieved a Dice score of 0.8942 and a sensitivity of 0.8735, which is higher than U-Net ++ (Dice score: 0.8814, the sensitivity of 0.8331) and U-net (Dice score: 0.8799, the sensitivity of 0.8305). Conclusion. Our study demonstrates that the U-Net 3+ is superior to other segmentation frameworks for the automatic extraction of the coronary arteries from ICAs. This result suggests great promise for clinical use.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google