本文提出了一种结合深度学习的混合模型，用于冠状动脉计算机断层扫描造影（CCTA）图像的中心线提取和管腔分割。CNNTracker用于跟踪中心线，而血管图卷积网络（GCN）则用于精确的管腔分割。通过CNNTracker和GCN的交替优化，提高了中心线提取的准确性，减少了分割中的漂移。在101例患者数据上的实验表明，该方法在冠状动脉的中心线提取和管腔分割方面表现优越。
前言
从CCTA中自动分析coronary artery对于CAD的诊断和评估是非常重要的。这方面主要包括两个既相关又分离的task: centerline extraction, lumen segmentation。
这篇论文利用了他们的相互关系提出了一个joint centerline extraction and lumen segmentation的混合深度学习模型。
模型详情：
CNNTracker: 从种子到检测到的孔或血管末端来跟踪中线，这修复了以前基于像素的分割方法中常见的破损问题。
Vasculr Graph Convolutional Network(GCN): 利用几何形状精确进行基于网格的管腔分割
CNNTracker和GCN之间的交替，改进了中心线，减少了跟踪中的飘移。
实验：
CCTA data: 101 patients （right coronary artery, left anterior descending, left circumflex）
一、Introduction
Extract coronary arteries 可以帮助医生更好地评
最低0.47元/天 解锁文章
518
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
