.png){kind=icon}
返回
Deep learning-based key point detection algorithm assisting vessel centerline extraction
.png){kind=icon}
OA
AI
DOI：10.21037/qims-24-1949.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
背景：血管中心线提取有助于斑块的定量分析。当前算法在处理迂曲血管时会产生显著误差，导致中心线提取不准确。本研究提出了一种关键点检测算法，以辅助血管中心线提取，从而进一步进行斑块定量分析。
方法：本研究为回顾性研究，共纳入来自多个中心的539例脑血管疾病患者。所有患者均接受了3.0-T磁共振成像（MRI）扫描。基于放射科医生的经验和临床需求，选择了32个关键点，包括颈动脉虹吸部、微小血管和血管分叉处。准确的关键点检测可提高中心线检测的精度。评估指标包括未检测到点的数量（undetected_num）、错误检测点的数量（errodetected_num）以及每个点的检测准确率（pointacc）。采用平均中心线距离（ACD）评估中心线提取的改进效果。
结果：算法在检测32个关键点时的平均准确率为88.99%，其中18个点的检测准确率超过90%。在颈动脉虹吸部的锐角弯曲处，算法的检测准确率达到97%。在颈内动脉和大脑中动脉关键点的检测准确率为95.4%。使用关键点检测算法后，右侧颈动脉的平均中心线距离（ACD）降至0.484±0.321 mm，而未使用关键点检测算法时为0.529±0.334 mm。检测32个关键点所需时间从319.843±6.434秒缩短至2.046±0.315秒。
结论：所提出的算法能够自动且准确地检测32个关键点，尤其是颈内动脉和大脑中动脉的关键点，提高了血管中心线提取的准确性，从而有助于斑块评估。
Keyword:
point detection
vessel centerline
magnetic resonance vessel wall imaging (MR-VWI)
