CTAにおけるスパース外観学習ベースの自動冠状副鼻腔セグメンテーション

介入性心臓専門医は、冠状洞カニューレ挿入中の冠状静脈解剖学の高度な変動と、心臓再同期療法（CRT）のための左心室心外膜鉛配置の高度な変動によってしばしば挑戦されます。さまざまな血管測定を利用して管状構造の自動セグメンテーションには、いくつかのアプローチが提案されています。対照的な冠動脈でうまく機能していますが、これらの方法は、コンピューター断層撮影血管造影（CTA）データにほとんどコントラストがない冠状洞のセグメント化に失敗し、周囲の組織と区別することを困難にします。この作業では、中心線を自動的に抽出するために容器を推定するためのマルチスパーススパース外観学習ベースの方法を提案します。低レベルの強度で微妙な識別をモデル化する代わりに、スパース表現の柔軟性を活用して、容器/背景の外観の固有の空間的一貫性をモデル化し、容器測定を導き出します。中心線抽出後、冠状洞ルーメンは、学習ベースの境界検出器とマルコフランダムフィールド（MRF）ベースの最適な表面抽出を使用してセグメント化されます。大規模な心臓CTAデータセット（204の3Dボリュームで構成される）の定量的評価は、最先端と比較して、中心線抽出とルーメンセグメンテーションの両方で提案された方法の優れた精度を示しています。

Interventional cardiologists are often challenged by a high degree of variability in the coronary venous anatomy during coronary sinus cannulation and left ventricular epicardial lead placement for cardiac resynchronization therapy (CRT), making it important to have a precise and fully-automatic segmentation solution for detecting the coronary sinus. A few approaches have been proposed for automatic segmentation of tubular structures utilizing various vesselness measurements. Although working well on contrasted coronary arteries, these methods fail in segmenting the coronary sinus that has almost no contrast in computed tomography angiography (CTA) data, making it difficult to distinguish from surrounding tissues. In this work we propose a multiscale sparse appearance learning based method for estimating vesselness towards automatically extracting the centerlines. Instead of modeling the subtle discrimination at the low-level intensity, we leverage the flexibility of sparse representation to model the inherent spatial coherence of vessel/background appearance and derive a vesselness measurement. After centerline extraction, the coronary sinus lumen is segmented using a learning based boundary detector and Markov random field (MRF) based optimal surface extraction. Quantitative evaluation on a large cardiac CTA dataset (consisting of 204 3D volumes) demonstrates the superior accuracy of the proposed method in both centerline extraction and lumen segmentation, compared to the state-of-the-art.