Attenuation artifact detection and severity classification in intracoronary OCT using mixed image representations
作者: Pierandrea Cancian, Simone Saitta, Xiaojin Gu, Rudolf L. M. van Herten, Thijs J. Luttikholt, Jos Thannhauser, Rick H. J. A. Volleberg, Ruben G. A. van der Waerden, Joske L. van der Zande, Clarisa I. Sánchez, Bram van Ginneken, Niels van Royen, Ivana Išgum
发布时间: 2025-03-10
来源: arxiv
研究方向: 心血管成像与深度学习
主要内容
该研究提出了一种基于卷积神经网络（CNN）的方法，用于检测冠状动脉光学相干断层扫描（OCT）中的衰减伪影，并对其进行严重程度分类。通过结合笛卡尔坐标系和极坐标系下的图像特征，该方法提高了伪影检测的准确性。
主要贡献
1. 提出了一种新的基于CNN的伪影检测和严重程度分类方法。
2. 使用了混合坐标系下的图像特征，提高了检测准确性。
3. 在OCT图像中实现了高达0.77和0.94的F分数，分别对应轻度伪影和重度伪影。
4. 通过实验证明，混合坐标系的特征比单一极坐标系的特征更有效。
研究方法
1. 使用卷积神经网络（CNN）对OCT图像进行特征提取。
2. 结合笛卡尔坐标系和极坐标系下的图像特征。
3. 使用多尺度特征提取方法。
4. 使用交叉熵损失函数和软Dice损失函数进行模型训练。
5. 使用Adam优化器进行模型训练。
实验结果
在测试集上，ArcNet模型达到了0.77和0.94的F分数，分别对应轻度伪影和重度伪影。与其他模型相比，ArcNet在检测伪影方面具有更高的准确性。
未来工作
未来工作将集中在以下几个方面：收集更多标注数据，提高模型的泛化能力；探索更有效的特征提取方法；优化模型结构，提高检测速度和准确性。