当前位置: X-MOL 学术Artif. Intell. Med. › 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.)
Coronary artery segmentation from intravascular optical coherence tomography using deep capsules
Artificial Intelligence in Medicine ( IF 7.5 ) Pub Date : 2021-04-15 , DOI: 10.1016/j.artmed.2021.102072
Arjun Balaji 1 , Lachlan J Kelsey 2 , Kamran Majeed 3 , Carl J Schultz 4 , Barry J Doyle 5
Affiliation  

The segmentation and analysis of coronary arteries from intravascular optical coherence tomography (IVOCT) is an important aspect of diagnosing and managing coronary artery disease. Current image processing methods are hindered by the time needed to generate expert-labelled datasets and the potential for bias during the analysis. Therefore, automated, robust, unbiased and timely geometry extraction from IVOCT, using image processing, would be beneficial to clinicians. With clinical application in mind, we aim to develop a model with a small memory footprint that is fast at inference time without sacrificing segmentation quality. Using a large IVOCT dataset of 12,011 expert-labelled images from 22 patients, we construct a new deep learning method based on capsules which automatically produces lumen segmentations. Our dataset contains images with both blood and light artefacts (22.8 %), as well as metallic (23.1 %) and bioresorbable stents (2.5 %). We split the dataset into a training (70 %), validation (20 %) and test (10 %) set and rigorously investigate design variations with respect to upsampling regimes and input selection. We show that our developments lead to a model, DeepCap, that is on par with state-of-the-art machine learning methods in terms of segmentation quality and robustness, while using as little as 12 % of the parameters. This enables DeepCap to have per image inference times up to 70 % faster on GPU and up to 95 % faster on CPU compared to other state-of-the-art models. DeepCap is a robust automated segmentation tool that can aid clinicians to extract unbiased geometrical data from IVOCT.



中文翻译:

使用深胶囊从血管内光学相干断层扫描中分割冠状动脉

从血管内光学相干断层扫描 (IVOCT) 中分割和分析冠状动脉是诊断和管理冠状动脉疾病的一个重要方面。当前的图像处理方法受到生成专家标记数据集所需的时间以及分析过程中潜在偏差的阻碍。因此,使用图像处理从 IVOCT 中自动、稳健、无偏见和及时地提取几何形状对临床医生是有益的。考虑到临床应用,我们的目标是开发一种内存占用小、推理速度快且不牺牲分割质量的模型。使用来自 22 名患者的 12,011 张专家标记图像的大型 IVOCT 数据集,我们构建了一种基于自动生成管腔分割的胶囊的新深度学习方法。我们的数据集包含具有血液和光制品 (22.8%) 以及金属 (23.1%) 和生物可吸收支架 (2.5%) 的图像。我们将数据集分成训练 (70%)、验证 (20%) 和测试 (10%) 集,并严格研究与上采样机制和输入选择相关的设计变化。我们表明,我们的发展导致了一个模型 DeepCap,它在分割质量和鲁棒性方面与最先进的机器学习方法相当,同时使用的参数仅占 12%。与其他最先进的模型相比,这使 DeepCap 的每张图像推理时间在 GPU 上最多快 70%,在 CPU 上最多快 95%。DeepCap 是一种强大的自动分割工具,可以帮助临床医生从 IVOCT 中提取无偏几何数据。以及金属支架 (23.1 %) 和生物可吸收支架 (2.5 %)。我们将数据集分成训练 (70%)、验证 (20%) 和测试 (10%) 集,并严格研究与上采样机制和输入选择相关的设计变化。我们表明,我们的发展导致了一个模型 DeepCap,它在分割质量和鲁棒性方面与最先进的机器学习方法相当,同时使用的参数仅占 12%。与其他最先进的模型相比,这使 DeepCap 的每张图像推理时间在 GPU 上最多快 70%,在 CPU 上最多快 95%。DeepCap 是一种强大的自动分割工具,可以帮助临床医生从 IVOCT 中提取无偏几何数据。以及金属支架 (23.1 %) 和生物可吸收支架 (2.5 %)。我们将数据集分成训练 (70%)、验证 (20%) 和测试 (10%) 集,并严格研究与上采样机制和输入选择相关的设计变化。我们表明,我们的发展导致了一个模型 DeepCap,它在分割质量和鲁棒性方面与最先进的机器学习方法相当,同时使用的参数仅占 12%。与其他最先进的模型相比,这使 DeepCap 的每张图像推理时间在 GPU 上最多快 70%,在 CPU 上最多快 95%。DeepCap 是一种强大的自动分割工具,可以帮助临床医生从 IVOCT 中提取无偏几何数据。验证 (20%) 和测试 (10%) 设置并严格调查与上采样机制和输入选择相关的设计变化。我们表明,我们的发展导致了一个模型 DeepCap,它在分割质量和鲁棒性方面与最先进的机器学习方法相当,同时使用的参数仅占 12%。与其他最先进的模型相比,这使 DeepCap 的每张图像推理时间在 GPU 上最多快 70%,在 CPU 上最多快 95%。DeepCap 是一种强大的自动分割工具,可以帮助临床医生从 IVOCT 中提取无偏几何数据。验证 (20%) 和测试 (10%) 设置并严格调查与上采样机制和输入选择相关的设计变化。我们表明,我们的发展导致了一个模型 DeepCap,它在分割质量和鲁棒性方面与最先进的机器学习方法相当,同时使用的参数仅占 12%。与其他最先进的模型相比,这使 DeepCap 的每张图像推理时间在 GPU 上最多快 70%,在 CPU 上最多快 95%。DeepCap 是一种强大的自动分割工具,可以帮助临床医生从 IVOCT 中提取无偏几何数据。这在分割质量和鲁棒性方面与最先进的机器学习方法不相上下,同时只使用了 12% 的参数。与其他最先进的模型相比,这使 DeepCap 的每张图像推理时间在 GPU 上最多快 70%,在 CPU 上最多快 95%。DeepCap 是一种强大的自动分割工具,可以帮助临床医生从 IVOCT 中提取无偏几何数据。这在分割质量和鲁棒性方面与最先进的机器学习方法不相上下,同时只使用了 12% 的参数。与其他最先进的模型相比,这使 DeepCap 的每张图像推理时间在 GPU 上最多快 70%,在 CPU 上最多快 95%。DeepCap 是一种强大的自动分割工具,可以帮助临床医生从 IVOCT 中提取无偏几何数据。

更新日期:2021-04-23
down
wechat
bug