Automatic segmentation of arteries in CT scan data of patients with peripheral arterial diseases

Abstract

Choroba tętnic obwodowych, jeśli pozostaje nieleczona, może prowadzić do poważnych powikłań sercowo- naczyniowych oraz amputacji kończyn. Diagnostyka często opiera się na zaawansowanych technikach obrazowania, takich jak TK, a następnie na szczegółowej analizie naczyń. Jednym z elementów oceny jest dokładna segmentacja tętnic obwodowych, która pozostaje wyzwaniem ze względu na ich niewielki rozmiar, złożoną anatomię, niezrównoważenie klas oraz zmienność protokołów obrazowania. Aby sprostać tym wyzwaniom, w niniejszej pracy zaproponowano metodę segmentacji tętnic obwodowych z trójwymiarowych skanów tomografii. Podejście bazuje na zastosowaniu sieci YOLOv8 do wykrywania i izolowania ROI z pełnych skanów ciała, co znacząco zmniejsza obciążenie obliczeniowe i czas przetwarzania. Wyodrębniony obszar zainteresowania jest analizowany przy użyciu podejścia opartego na izolowanym uczeniu, które wykorzystuje zaproponowaną sieć SVDN do precyzyjnej segmentacji tętnic obwodowych. Ponadto podejście to porównano ze strategią uczenia transferowego, wykorzystującą modele wstępnie wytrenowane na tętnicach płucnych i wieńcowych. Dodatkowo, wizualizacja tętnic obwodowych została usprawniona dzięki zastosowaniu rekonstrukcji struktur anatomicznych w formie wyprostowanej oraz klasteryzacji, co pozwala na uzyskanie przejrzystych i interpretowalnych reprezentacji struktur naczyniowych. Wyniki eksperymentalne wykazują, że zaproponowane podejście zapewnia wyższą dokładność i efektywność segmentacji w porównaniu z istniejącymi metodami.

Peripheral artery disease, if left untreated, can cause serious cardiovascular complications and limb amputation. The diagnosis often relies on advanced imaging techniques such as CT, followed by detailed vascular analysis. However, accurate segmentation of the peripheral artery remains challenging due to its small size, intricate anatomy, class imbalance, and variability in imaging protocols. To address these challenges, this study proposes a framework for peripheral artery segmentation from three-dimensional computed tomography scans. The approach begins with a YOLOv8 network to detect and isolate the ROI from full-body scans, significantly reducing computational load and processing time. The extracted region of interest is analyzed using an isolated learning approach that employs the proposed SDVN for precise segmentation of the peripheral artery. Furthermore, the approach is compared with a transfer learning strategy that leverages pre-trained models on pulmonary and coronary arteries. In addition, peripheral arteries visualization is improved using planar curve reformation and cluster-based techniques, providing clear and interpretable representations of vascular structures. Experimental results demonstrate that the proposed framework achieves improved segmentation accuracy and efficiency compared to existing methods.