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

Исмаил Нуар, Ватьян Александра Сергеевна, Полевая Татьяна Андреевна, Голубев Александр Андреевич, Добренко Дмитрий Александрович, Зубаненко Алексей Александрович, Гусарова Наталия Федоровна, Ванюркин Алмаз Гафурович, Чернявский Михаил Александрович

doi:10.17586/2226-1494-2025-25-3-457-465

2025 , ТОМ 25, НОМЕР 3 ( май-июнь )

ISSN 2226-1494 (print), ISSN 2500-0373 (online)

Меню

Публикации

Главный редактор

НИКИФОРОВ
Владимир Олегович
д.т.н., профессор

Партнеры

doi: 10.17586/2226-1494-2025-25-3-457-465

УДК 004.932

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

Исмаил Н., Ватьян А.С., Полевая Т.А., Голубев А.А., Добренко Д.А., Зубаненко А.А., Гусарова Н.Ф., Ванюркин А.Г., Чернявский М.А.

Читать статью полностью

Язык статьи - английский

Ссылка для цитирования:

Исмаил Н., Ватьян А.С., Полевая Т.А., Голубев А.А., Добренко Д.А., Зубаненко А.А., Гусарова Н.Ф., Ванюркин А.Г., Чернявский М.А. Методы интерполяции контуров с использованием глубокого обучения для трехмерной сегментации стенки сонных артерий // Научно-технический вестник информационных технологий, механики и оптики. 2025. Т. 25, № 3. С. 457–465 (на англ. яз.). doi: 10.17586/2226-1494-2025-25-3-457-465

Аннотация

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.

Ключевые слова: сонные артерии, сегментация стенки, интерполяция контура, глубокое обучение, бляшки, атеросклероз сонной артерии

Благодарности. Исследование поддержано грантом Российского научного фонда, № 23-11-00346.

Список литературы

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
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
Deng F., Le L., Sharma R., et al. MR vessel wall imaging. Reference article // Radiopaedia.org. 2019 [Электронныйресурс]. URL: https://doi.org/10.53347/rID-72016 (дата обращения: 24.01.2025)
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
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
Hemmati H.R., Alizadeh M., Kamali-Asl A., Shirani S. Semi-automated 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
Cuisenaire O. Fully automated carotid artery segmentation from CTA // The MIDAS Journal. 2009. https://doi.org/10.54294/6mmv98
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
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
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
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
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
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
Yoo S.W., 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
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
Li Y., WuY., 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
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
Huang X., Wang J., Li Z. 3D carotid artery segmentation using shape-constrained active contours // Computers in Biology and Medicine. 2023. V. 153. P. 106530. https://doi.org/10.1016/j.compbiomed.2022.106530
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

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License