使用深层神经网络自动检测X线血管造影中的冠状动脉狭窄,arXiv - CS - Computer Vision and Pattern Recognition

当前位置： X-MOL 学术 › arXiv.cs.CV › 论文详情

Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)

使用深层神经网络自动检测X线血管造影中的冠状动脉狭窄
arXiv - CS - Computer Vision and Pattern Recognition Pub Date : 2021-03-04 , DOI: arxiv-2103.02969
Dinis L. Rodrigues, Miguel Nobre Menezes, Fausto J. Pinto, Arlindo L. Oliveira

导致狭窄，冠状动脉部分或全部阻塞的冠状动脉疾病是一种严重的疾病，每年影响数以百万计的患者。通过微创手术对狭窄程度进行自动识别和分类将具有很大的临床价值，但是由于任务的复杂性，现有方法与有经验的心脏病专家的准确性不符。尽管迄今为止已经提出了许多用于定量评估狭窄的计算方法，但是这些方法的性能仍然远远没有达到临床应用所要求的水平。在本文中，我们提出了一个两步式的深度学习框架，可以部分自动地从X射线冠状动脉血管造影图像中检测狭窄。在这两个步骤中，我们使用了两种不同的卷积神经网络架构，一种是自动识别和分类视角，另一种是在可见狭窄的帧中确定感兴趣区域的边界框。在这两项任务中，都采用了转移学习和数据增强技术来提高系统的性能。在对左/右冠状动脉（LCA / RCA）角度分类的任务上，对于LCA和RCA，我们分别获得了0.97的准确度和0.68 / 0.73的回忆率。这些结果与使用相关方法获得的先前结果相比具有优势，并为从X射线血管造影术识别狭窄严重程度的全自动方法开辟了道路。另一个用于确定可见狭窄的帧中感兴趣区域的边界框。在这两项任务中，都采用了转移学习和数据增强技术来提高系统的性能。在对左/右冠状动脉（LCA / RCA）角度分类的任务上，对于LCA和RCA，我们分别获得了0.97的准确度和0.68 / 0.73的回忆率。这些结果与使用相关方法获得的先前结果相比具有优势，并为从X射线血管造影术识别狭窄严重程度的全自动方法开辟了道路。另一个用于确定可见狭窄的帧中感兴趣区域的边界框。在这两项任务中，都采用了转移学习和数据增强技术来提高系统的性能。在对左/右冠状动脉（LCA / RCA）角度分类的任务上，对于LCA和RCA，我们分别获得了0.97的准确度和0.68 / 0.73的回忆率。这些结果与使用相关方法获得的先前结果相比具有优势，并为从X射线血管造影术识别狭窄严重程度的全自动方法开辟了道路。左冠状动脉和右冠状动脉分别对左冠状动脉/右冠状动脉（LCA / RCA）角视图进行分类的准确性为97，而在确定感兴趣区域时，其准确性为0.68 / 0.73。这些结果与使用相关方法获得的先前结果相比具有优势，并为从X射线血管造影术识别狭窄严重程度的全自动方法开辟了道路。左冠状动脉和右冠状动脉分别对左冠状动脉/右冠状动脉（LCA / RCA）角视图进行分类的准确性为97，而在确定感兴趣区域时，其准确性为0.68 / 0.73。这些结果与使用相关方法获得的先前结果相比具有优势，并为从X射线血管造影术识别狭窄严重程度的全自动方法开辟了道路。

"点击查看英文标题和摘要"

Automated Detection of Coronary Artery Stenosis in X-ray Angiography using Deep Neural Networks

Coronary artery disease leading up to stenosis, the partial or total blocking of coronary arteries, is a severe condition that affects millions of patients each year. Automated identification and classification of stenosis severity from minimally invasive procedures would be of great clinical value, but existing methods do not match the accuracy of experienced cardiologists, due to the complexity of the task. Although a number of computational approaches for quantitative assessment of stenosis have been proposed to date, the performance of these methods is still far from the required levels for clinical applications. In this paper, we propose a two-step deep-learning framework to partially automate the detection of stenosis from X-ray coronary angiography images. In the two steps, we used two distinct convolutional neural network architectures, one to automatically identify and classify the angle of view, and another to determine the bounding boxes of the regions of interest in frames where stenosis is visible. Transfer learning and data augmentation techniques were used to boost the performance of the system in both tasks. We achieved a 0.97 accuracy on the task of classifying the Left/Right Coronary Artery (LCA/RCA) angle view and 0.68/0.73 recall on the determination of the regions of interest, for LCA and RCA, respectively. These results compare favorably with previous results obtained using related approaches, and open the way to a fully automated method for the identification of stenosis severity from X-ray angiographies.

更新日期：2021-03-05

点击分享查看原文

点击收藏

阅读更多本刊最新论文

全部期刊列表>>