血管造影における正確な冠状動脈中心線の抽出、口径推定、カテーテル検出

X線血管造影における冠動脈のセグメンテーションは、動脈疾患を評価し、適切な冠動脈治療を選択するための基本的なツールです。冠動脈の正確なセグメンテーションは、コンピューター断層撮影（CT）スキャンまたは磁気共鳴イメージング（MRI）からの異なる医療イメージング情報に医師が迅速にアクセスできるようにするさまざまなモダリティの登録の重要なトピックとなっています。この論文では、容器中心線抽出、口径推定、およびカテーテル検出のグラフカットに基づいて、正確な完全自動アルゴリズムを提案します。容器、測地線、および新しいマルチスケールのエッジネスマップを組み合わせて、グラフカットエネルギー関数のグローバルな最適化により、管状構造のセグメンテーションに対するグラフカットアプローチをカスタマイズします。さらに、自動カテーテル検出のために、ローカル情報とコンテキスト情報を統合する新しい監視された学習方法論が提案されています。異なるイメージングシステムからの3つのデータセットでのメソッドパフォーマンスを評価します。この方法は、専門家のオブザーバーW.R.T.センターラインの検出と口径の推定。さらに、この方法は、精度が96.5％、感度が72％、精度が97.4％の動脈とカテーテルを区別します。

Segmentation of coronary arteries in X-Ray angiography is a fundamental tool to evaluate arterial diseases and choose proper coronary treatment. The accurate segmentation of coronary arteries has become an important topic for the registration of different modalities which allows physicians rapid access to different medical imaging information from Computed Tomography (CT) scans or Magnetic Resonance Imaging (MRI). In this paper, we propose an accurate fully automatic algorithm based on Graph-cuts for vessel centerline extraction, caliber estimation, and catheter detection. Vesselness, geodesic paths, and a new multi-scale edgeness map are combined to customize the Graph-cuts approach to the segmentation of tubular structures, by means of a global optimization of the Graph-cuts energy function. Moreover, a novel supervised learning methodology that integrates local and contextual information is proposed for automatic catheter detection. We evaluate the method performance on three datasets coming from different imaging systems. The method performs as good as the expert observer w.r.t. centerline detection and caliber estimation. Moreover, the method discriminates between arteries and catheter with an accuracy of 96.5%, sensitivity of 72%, and precision of 97.4%.