Die genaue Segmentierung der zerebralen Gefäße mithilfe der digitalen Subtraktionsangiographie (DSA) ist entscheidend für die Diagnose und Behandlung von zerebrovaskulären Erkrankungen. Konventionelle Einzelbildanalysen erfassen jedoch häufig feine Gefäßstrukturen aufgrund von Hintergrundrauschen, überlappender Anatomie und dynamischem Kontrastfluss nicht. In dieser Studie schlagen wir eine neuartige gefäßverstärkende Vorverarbeitungstechnik vor, die die zeitliche Differenzierung von DSA-Sequenzen nutzt, um die Genauigkeit der zerebrovaskulären Segmentierung zu verbessern. Unsere Methode betont die Dynamik des Kontrastflusses, während sie statische Hintergrundkomponenten unterdrückt, indem sie absolute Unterschiede zwischen aufeinanderfolgenden DSA-Frames berechnet. Die verbesserten Bilder wurden in hochmoderne Deep-Learning-Modelle, U-Net++ und DeepLabv3+, zur Gefäßsegmentierung eingespeist. Eine quantitative Bewertung des öffentlich verfügbaren DIAS-Datensatzes zeigte signifikante Verbesserungen der Segmentierung über mehrere Metriken hinweg, einschließlich des Dice-Similaritätskoeffizienten (DSC), des Intersection over Union (IoU) und der vaskulären Konnektivität (VC). Insbesondere erzielte DeepLabv3+ mit der vorgeschlagenen Vorverarbeitung einen DSC von 0,83 ± 0,05 und eine VC von 44,65 ± 0,63 und übertraf damit konventionelle Methoden. Diese Ergebnisse deuten darauf hin, dass die Nutzung zeitlicher Informationen durch Eingangsverbesserung die Extraktion kleiner und komplexer Gefäßstrukturen erheblich verbessert. Unser Ansatz ist rechnerisch effizient, modellagnostisch und klinisch anwendbar für DSA.
Hong et al. (Mon,) haben diese Frage untersucht.