基于分支端点感知双深度Q网络(BEA-CACE)的冠状动脉CT血管造影中心线智能提取方法

来自国内的研究人员针对冠状动脉树中心线提取中分支自动追踪、斑块穿透和端点检测三大挑战，创新性提出融合深度强化学习(DRL)与3D扩张卷积神经网络(CNN)的BEA-CACE框架。该方案通过智能体动作预测实现中心线追踪，结合双模块协同工作，在保持单种子交互优势下实现全冠脉树提取，其中心线提取和半径估算性能均达国际领先水平。

　　

这项突破性研究构建了革命性的分支端点感知冠状动脉中心线提取框架(BEA-CACE)。面对冠脉CT血管成像中复杂的解剖结构，研究团队巧妙地将深度强化学习(Deep Reinforcement Learning, DRL)智能体与3D扩张卷积神经网络(3D Dilated CNN)探测器相结合。智能体追踪模块像"血管探险家"般自主导航，通过实时动作预测沿着血管中心线前进；而探测器则如同"精准雷达"，不仅能识别关键的分叉点(bifurcation points)和终点(endpoints)，还能同步估算血管半径值。这种双模块协同机制成功攻克了传统方法需要人工标记多个种子点的技术瓶颈，仅需单种子输入即可完整提取整个冠状动脉树。特别值得注意的是，该系统展现出卓越的斑块穿透能力，在保持操作简便性的同时，其中心线提取精度和半径测量准确度均刷新了当前领域记录。这项技术突破为心血管疾病的无创诊断提供了更可靠的影像分析工具，标志着智能医学图像处理领域的重要进展。