Автоматизированная сегментация коронарных артерий на основе трансформера с доменно-специфической предварительной подготовкой

   Введение. Автоматизированная сегментация коронарных артерий при компьютерной томографической коронарографии играет важную роль в диагностике и лечении ишемической болезни сердца. Ручная сегментация коронарных артерий требует значительных трудозатрат и сопровождается субъективными погрешностями, что обусловливает необходимость разработки точных и надежных автоматизированных методов сегментации.

   Метод. В работе представлен подход на основе глубокой нейронной сети с архитектурой Swin-UNETR, сочетающей преимущества визуальных трансформеров и структуры U-Net. Для повышения точности применена доменно-специфическая стратегия трансферного обучения: модель предварительно обучена на наборе данных ImageCAS, после чего дообучена на специализированном — Automated Segmentation of Normal and Diseased Coronary Arteries (ASOCA) с экспертной разметкой коронарных артерий.

   Основные результаты. Оценка точности модели выполнена на 10 тестовых случаях из набора ASOCA. Средний коэффициент Дайса составил 0,8778, а среднее значение 95 % — расстояния Хаусдорфа (HD95) — 11,66 мм. Полученные результаты демонстрируют, что точность предложенного метода находится на уровне ведущих моделей, представленных в официальном рейтинге ASOCA Challenge, и превосходит средний показатель межэкспертной разметки.

   Обсуждение. Предложенный метод обеспечивает высокую точность сегментации коронарных артерий. Вместе с тем отмечена вариабельность результатов по HD95, обусловленная отсутствием специализированной постобработки, чувствительностью к мелким сосудам и различиями в характеристиках тестовых данных. В перспективе внедрение методов постобработки, таких как фильтрация связанных компонентов или отслеживание сосудов, а также механизмов пространственного внимания, может повысить точность локализации артериального контура и адаптируемость модели к различным типам данных компьютерной томографии.

1. Roth G.A., Abate D., Abate K.H., Abay S.M., Abbafati C., Abbasi N., et al. Global, regional, and national age-sex-specific mortality for 282 causes of death in 195 countries and territories, 1980–2017: a systematic analysis for the Global Burden of Disease Study 2017 // The Lancet. 2018. V. 392. N 10159. P. 1736–1788. doi: 10.1016/S0140-6736(18)32203-7

2. Montalescot G., Sechtem U., Achenbach S., Andreotti F., Arden C., Budaj A., et al. 2013 ESC guidelines on the management of stable coronary artery disease // European Heart Journal. 2013. V. 34. N 38. P. 2949–3003. doi: 10.1093/eurheartj/eht296

3. Cury R.C., Leipsic J., Abbara S., Achenbach S., Berman D., Bittencourt M., et al. CAD-RADS™ 2.0 - 2022 Coronary Artery Disease-Reporting and Data System // Journal of Cardiovascular Computed Tomography. 2022. V. 16. N 6. P. 536–557. doi: 10.1016/j.jcct.2022.07.002

4. Yang S., Chung J., Lesina K., Doh J., Jegere S., Erglis A., et al. Long-term prognostic implications of CT angiography-derived fractional flow reserve: Results from the DISCOVER-FLOW study // Journal of Cardiovascular Computed Tomography. 2024. V. 18. N 3. P. 251–258. doi: 10.1016/j.jcct.2024.01.016

5. Hurreh M., Knickelbine T., Earls J., Aquino M., Idris A., Cheng V. Enhanced cardiac CTA segmental atherosclerosis detection with artificial intelligence quantitative computed tomography (AIQCT) analysis vs conventional reader interpretation // Journal of Cardiovascular Computed Tomography. 2023. V. 17. N 4 Suppl. P. S37-S38. doi: 10.1016/j.jcct.2023.05.093

6. Fedorov A., Beichel R., Kalpathy-Cramer J., Finet J., Fillion-Robin J-C., Pujol S., et al. 3D Slicer as an image computing platform for the Quantitative Imaging Network // Magnetic Resonance Imaging. 2012. V. 30. N 9. P. 1323–1341. doi: 10.1016/j.mri.2012.05.001

7. Yushkevich P.A., Piven J., Hazlett H.C., Smith R.G., Ho S., Gee J.C., Gerig G. User-guided 3D active contour segmentation of anatomical structures: Significantly improved efficiency and reliability // NeuroImage. 2006. V. 31. N 3. P. 1116–1128. doi: 10.1016/j.neuroimage.2006.01.015

8. Dosovitskiy A., Beyer L., Kolesnikov A., Weissenborn D., Zhai X., Unterthiner T., et al. An image is worth 16×16 words: Transformers for image recognition at scale // arXiv. 2020. arXiv:2010.11929. doi: 10.48550/arXiv.2010.11929

9. Fossan F.E., Müller L.O., Sturdy J., Bråten A.T., Jorgensen A., Wiseth R., Hellevik L.R. Machine learning augmented reduced-order models for FFR-prediction // Computer Methods in Applied Mechanics and Engineering. 2021. V. 384. P. 113892. doi: 10.1016/j.cma.2021.113892

10. Gharleghi, R., Adikari D., Ellenberger K., Ooi S.Y., Ellis C., Chen C.M., et al. Automated segmentation of normal and diseased coronary arteries — The ASOCA challenge // Computerized Medical Imaging and Graphics. 2022. V. 97. P. 102049. doi: 10.1016/j.compmedimag.2022.102049

11. Zeng A., Wu C., Lin G., Xie W., Hong J., Huang M.P., et al. ImageCAS: A large-scale dataset and benchmark for coronary artery segmentation based on computed tomography angiography images // Computerized Medical Imaging and Graphics. 2023. V. 109. P. 102287. doi: 10.1016/j.compmedimag.2023.102287

12. Çiçek Ö., Abdulkadir A., Lienkamp S.S., Brox T., Ronneberger O. 3D U-Net: Learning dense volumetric segmentation from sparse annotation // Lecture Notes in Computer Science. 2016. V. 9901. P. 424–432. doi: 10.1007/978-3-319-46723-8_49

13. Chen Y.-C., Lin Y.-C., Wang C.-P., Lee C.-Y., Lee W.-J., Wang T.-D., Chen C.-M. Coronary artery segmentation in cardiac CT Angiography using 3D Multi-channel U-net // arXiv. 2019. arXiv:1907.12246. doi: 10.48550/arXiv.1907.12246

14. Liang R., Huang X., Ma J., Ma G., Wang K. 3D U-Net with attention and focal loss for coronary tree segmentation // Research Square. Preprint CC BY 4.0 License. 2021. P. 1–17. doi: 10.21203/rs.3.rs-717054/v1

15. Wang Q., Xu L., Wang L., Yang X., Sun Y., Yang B., Greenwald S.E. Automatic coronary artery segmentation of CCTA images using UNet with a local contextual transformer // Frontiers in Physiology. 2023. V. 14. P. 1138257. doi: 10.3389/fphys.2023.1138257

16. Zhang L., Yin X., Liu X., Liu Z. Medical image segmentation by combining feature enhancement Swin Transformer and UperNet // Scientific Reports. 2025. V. 15. N 1. P. 14565. doi: 10.1038/s41598-025-97779-6

17. Salehi A.W., Khan S., Gupta G., Alabduallah B.I., Almjally A., Alsolai H., et al. A study of CNN and transfer learning in medical imaging: Advantages, challenges, future scope // Sustainability. 2023. V. 15. N 7. P. 5930. doi: 10.3390/su15075930

18. Matsoukas C., Haslum J.F., Sorkhei M., Soderberg M., Smith K. What makes transfer learning work for medical images: Feature reuse & other factors // Proc. of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2022. P. 9215–9224. doi: 10.1109/CVPR52688.2022.00901

19. Yosinski J., Clune O., Bengio Y., Lipson H. How transferable are features in deep neural networks? // Proc. of the 28^th International Conference on Neural Information Processing Systems. 2014. V. 2. P. 3320–3328.

20. Wang X., Zhang X., Wang G., He J., Li Z., Zhu W., et al. OpenMEDLab: An open-source platform for multi-modality foundation models in medicine // arXiv. 2024. arXiv:2402.18028v2. doi: 10.48550/arXiv.2402.18028

21. Tang Y., Yang D., Li W., Roth H.R., Landman B., Xu D., Nath V., Hatamizadeh A. Self-supervised pre-training of Swin Transformers for 3D medical image analysis // Proc. of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2022. P. 20698–20708. doi: 10.1109/cvpr52688.2022.02007

22. Yong K.R., Lee S., Uppaluri A., Tan M.O., Ng J.J., Venkatesh S.H., et al. How to report a coronary CT angiogram: Step-by-Step guide for the novice reader // RadioGraphics. 2025. V. 45. N 7. P. e250015. doi: 10.1148/rg.250015

23. Gharleghi R., Adikari D., Ellenberger K., Webster M., Ellis C., Sowmya A., Ooi S., Beier S. Annotated computed tomography coronary angiogram images and associated data of normal and diseased arteries // Scientific Data. 2023. V. 10. N 1. P. 128. doi: 10.1038/s41597-023-02016-2

24. Kirişli H.A., Schaap M., Metz C.T., Dharampal A.S., Meijboom W.B., Papadopoulou S.L., et al. Standardized evaluation framework for evaluating coronary artery stenosis detection, stenosis quantification and lumen segmentation algorithms in computed tomography angiography // Medical Image Analysis. 2013. V. 17. N 8. P. 859–876. doi: 10.1016/j.media.2013.05.007