冠状动脉追踪的3D CNN分类方法：基于3D CNN的跟踪技术...

简介：
本文介绍了一种基于3D卷积神经网络（CNN）的冠状动脉自动追踪与分类的新方法，通过创新性地应用深度学习技术，旨在提高心血管疾病诊断的准确性和效率。 通过3D CNN分类点火器跟踪冠状动脉的PyTorch重新实现可以提取具有最先进（SOTA）性能的冠状动脉中心线。关键思想是对3D扩张的CNN进行训练，以基于局部图像补丁预测心脏CT血管造影(CCTA)图像中任意给定点的可能动脉方向和半径。我们使用3D斐波那契球来模拟CNN跟踪器，其中球上的点代表可能的方向，而球体大小表示当前位置处冠状动脉的直径或半径。该过程从手动或自动放置在冠状动脉中的单个起始点开始，并根据CNN预测沿两个方向追踪血管中心线。当无法确定准确的方向时，追踪将停止。为了创建完整的血管树结构，需要训练三个神经网络：第一个用于预测当前位置可以移动的两个方向和对应的直径；第二个则用来识别进入冠状动脉的入口位置。