面向小血管的冠状动脉造影分割：精细标注数据集与CAG专用数据增强方法

《Scientific Reports》：Refined annotations and specialized augmentation for minor epicardial arteries in coronary angiography

　　

摘要

近年来，基于人工智能的冠状动脉造影（CAG）分析取得了快速进展。然而，公开可用的CAG数据集不仅数量有限，而且通常缺少对小血管的标注，因为小血管并非主要治疗靶标，且其标注在技术上极具挑战性。要实现CAG分割的进一步突破，既需要更大规模的数据集，也需要对小口径血管进行精确标注。我们开发了一个CAG分割框架，该框架整合了精细标注、CAG专用数据增强以及以小血管为重点的评估指标。精细标注数据集（fine-ARCADE数据集）包含196张右冠状动脉图像，并额外标注了细小心外膜动脉。我们通过匹配强度、调整血管重叠以及变化分支复杂度，对复制粘贴增强方法进行改进，以适应血管图像，从而增强数据多样性。我们在公开及增强后的CAG数据集上对SAM-Med2D进行了50个epoch的微调。分割性能通过三项指标进行评估：\(\text {DSC}_{\text {overall}}\)（完整血管树）、\(\text {DSC}_{\text {minor}}\)（细小心外膜动脉）和\(\text {DSC}_{\text {major}}\)（主要心外膜动脉）。微调后的模型在所有公开CAG数据集上的表现均优于预训练基线模型。CAG专用增强方法 consistently 将\(\text {DSC}_{\text {overall}}\)提升了最高\(7.35\%\)，将\(\text {DSC}_{\text {minor}}\)提升了最高\(11.45\%\)，在ARCADE和XCAD数据集上改善最为显著。这些结果表明，尽管现有公开CAG数据集对小血管分割的评估能力有限，但精细标注能够实现更准确的评价，且CAG专用增强方法能有效提升模型在细小心外膜区域的性能。