Методы интерполяции контуров с использованием глубокого обучения для трехмерной сегментации стенки сонных артерий

Введение. При исследовании сосудов человека методом интерполяции контуров возникает проблема недостатка данных для обучения нейронных сетей с целью автоматической сегментации стенки сонной артерии. В работе предложены автоматизированные методы интерполяции контуров для расширения наборов данных, что позволяет улучшить сегментацию стенок сосудов и атеросклеротических бляшек. В представленном исследовании оценивается эффективность различных методов интерполяции в сравнении с традиционной техникой ближайшего соседа.
Методы. Представлены теоретическое описание и сравнительная оценка линейной, полярной и сплайн-интерполяции. Для оценки производительности методов использованы количественные метрики, включая коэффициент сходства Дайса, различия в площади и индексе, а также нормализованные расстояния Хаусдорфа. Оценки производительности выполнены на различных морфологиях сосудов как для просвета, так и для внешних границ стенок.
Основные результаты. Исследование показало, что линейная интерполяция достигает лучших геометрических показателей (Каппа Коэна 0,92) и улучшенной эффективности нейронной сети (оценка 0,86) по сравнению с передовой моделью. Предложенные методы интерполяции стабильно превосходят интерполяцию ближайшего соседа. Полярные и сплайн-методы эффективны при создании анатомически правдоподобных контуров с улучшенной гладкостью и непрерывностью, устраняют артефакты перехода между срезами. Статистический анализ подтвердил хорошую согласованность и уменьшение вариации этих методов.
Обсуждение. Результаты исследования полезны для разработки автоматизированных инструментов оценки атеросклеротических бляшек в сонных артериях, что важно для профилактики инсульта. Внедрение улучшенных методов интерполяции в клинические рабочие процессы визуализации может значительно повысить надежность, точность и клиническую полезность сегментации стенок сосудов.

1. David E., Grazhdani H., Aliotta L., Gavazzi L.M., Foti P.V., Palmucci S., Ini C., Tiralongo F., Castiglione D., Renda M., Pacini P., Di Bella C., Solito C., Gigli S., Fazio A., Bella R., Basile A., Cantisani V. Imaging of carotid stenosis: where are we standing? Comparison of multiparametric ultrasound, CT angiography, and MRI angiography, with recent developments // Diagnostics. 2024. V. 14. N 16. P. 1708. https://doi.org/10.3390/diagnostics14161708

2. Wei H., Zhang M., Li Y., Zhao X., Canton G., Sun J., Xu D., Zhou Z., Chen S., Ferguson M., Hatsukami T., Li R., Yuan C. Evaluation of 3D multi-contrast carotid vessel wall MRI: a comparative study // Quantitative Imaging in Medicine and Surgery. 2020. V. 10. N 1. P. 269–282. https://doi.org/10.21037/qims.2019.09.11

3. Deng F., Le L., Sharma R., et al. MR vessel wall imaging. Reference article // Radiopaedia.org. 2019 [Электронный ресурс]. URL: https://doi.org/10.53347/rID-72016 (дата обращения: 24.01.2025)

4. Litjens G., Kooi T., Bejnordi B.E., Setio A.A.A., Ciompi F., Ghafoorian M., van der Laak J.A.W.M., van Ginneken B., Sánchez C.I. A survey on deep learning in medical image analysis // Medical Image Analysis. 2017. V. 42. P. 60–88. https://doi.org/10.1016/j.media.2017.07.005

5. Hachaj T., Ogiela M.R. Evaluation of carotid artery segmentation with centerline detection and active contours without edges algorithm // Lecture Notes in Computer Science. 2012. V. 7465. P. 468–478. https://doi.org/10.1007/978-3-642-32498-7_35

6. Hemmati H.R., Alizadeh M., Kamali-Asl A., Shirani S. Semiautomated carotid lumen segmentation in computed tomography angiography images // Journal of Biomedical Research. 2017. V. 31. N 6. P. 548–558. https://doi.org/10.7555/JBR.31.20160107

7. Cuisenaire O. Fully automated carotid artery segmentation from CTA // The MIDAS Journal. 2009. https://doi.org/10.54294/6mmv98

8. Saba L., Sanagala S.S., Gupta S.K., Koppula V.K., Laird J.R., Viswanathan V., Sanches M.J., Kitas G.D., Johri A.M., Sharma N., Nicolaides A., Suri J.S. A multicenter study on carotid ultrasound plaque tissue characterization and classification using six deep artificial intelligence models: A stroke application // IEEE Transactions on Instrumentation and Measurement. 2021. V. 70. P. 2505312. https://doi.org/10.1109/TIM.2021.3052577

9. Wu J., Xin J., Yang X., Matkovic L., Zhao X., Zheng N., Li R. Segmentation of carotid artery vessel wall and diagnosis of carotid atherosclerosis on black blood magnetic resonance imaging with multi-task learning // Medical Physics. 2023. V. 51. N 3. P. 1775–1797. https://doi.org/10.1002/mp.16728

10. Zhou T., Tan T., Pan X., Tang H., Li J. Fully automatic deep learning trained on limited data for carotid artery segmentation from large image volumes // Quantitative Imaging in Medicine and Surgery. 2021. V. 11. N 1. P. 67–83, 2021. https://doi.org/10.21037/qims-20-286

11. Samber D.D., Ramachandran S., Sahota A., Naidu S., Pruzan A., Fayad Z.A., Mani V. Segmentation of carotid arterial walls using neural networks // World Journal of Radiol. 2020. V. 12. N 1. P. 1–9. https://doi.org/10.4329/wjr.v12.i1.1

12. Wang J., Yu F., Zhang M., Lu J., Qian Z. A 3D framework for segmentation of carotid artery vessel wall and identification of plaque compositions in multi-sequence MR images // Computerized Medical Imaging and Graphics. 2024. V. 116. P. 102402. https://doi.org/10.1016/j.compmedimag.2024.102402

13. Huang Q., Tian H., Jia L., Li Z., Zhou Z. A review of deep learning segmentation methods for carotid artery ultrasound images // Neurocomputing. 2023. V. 545. P. 126298. https://doi.org/10.1016/j.neucom.2023.126298

14. Yoo SW., Yang S., Kim J., Huh K., Lee S., Heo M., Yi W. CACSNet for automatic robust classification and segmentation of carotid artery calcification on panoramic radiographs using a cascaded deep learning network // Scientific Reports. 2024. V. 14. N 1. P. 13894. https://doi.org/10.1038/s41598-024-64265-4

15. Wang Y., Yao Y. Application of artificial intelligence methods in carotid artery segmentation: a review // IEEE Access. 2023. V. 11. P. 13846–13858. https://doi.org/10.1109/ACCESS.2023.3243162

16. Li Y., Wu Y., He J., Jiang W., Wang J., Peng Y., Jia Y., Xiong T., Jia K., Yi Z., Chen M. Automatic coronary artery segmentation and diagnosis of stenosis by deep learning based on computed tomographic coronary angiography // European Radiology. 2022. V. 32. N 9. P. 6037–6045. https://doi.org/10.1007/s00330-022-08761-z

17. Alblas D., Brune C., Wolterink J.M. Deep learning-based carotid artery vessel wall segmentation in black-blood mri using anatomical priors // Proceedings of SPIE. 2022. V. 12032. P. 120320Y. https://doi.org/10.1117/12.2611112

18. Huang X., Wang J., Li Z. 3D carotid artery segmentation using shapeconstrained active contours // Computers in Biology and Medicine. 2 0 2 3 . V. 153. P. 106530. https://doi.org/10.1016/j.compbiomed.2022.106530

19. Hu S., Liao Z., Xia Y. Label propagation for 3D carotid vessel wall segmentation and atherosclerosis diagnosis // arXiv. 2022. arXiv:2208.13337. https://doi.org/10.48550/arXiv.2208.13337