拓扑距离约束提升冠状动脉造影血管匹配精度

本文主要探讨了拓扑距离约束特征描述子学习模型在冠状动脉造影血管匹配中的应用，发表在《虚拟现实智能硬件》杂志2021年第4期，卷3。作者宋晓娇、朱建军等人来自北京理工大学光学与光子学院混合现实与先进显示北京工程研究中心。 冠状动脉造影（Coronary Artery Angiography, CAG）是一项医学成像技术，用于诊断心血管疾病。由于血管的复杂性和图像中可能出现的断裂、狭窄、伪影、高背景噪声和不均匀灰度，传统的图像匹配方法在匹配血管时面临挑战。为了改善这一状况，研究者们提出了一个基于深度学习的拓扑距离约束特征描述子学习模型。 该模型的核心思想是将血管的拓扑结构视为中心线的连接关系，利用测地线距离来定义拓扑距离。通过这种距离，模型能够捕捉到血管之间的几何关系，并通过最大化连接和未连接面片之间的特征差异，训练描述符网络。这种方法强调了对血管局部特征的理解，以生成更精确和稳定的匹配结果，从而提高了血管匹配的性能。 实验结果显示，与现有模型相比，拓扑距离约束特征描述子学习模型在冠状动脉造影图像匹配方面表现更为优越，能有效解决匹配难题，这对于冠状动脉介入手术中的导航和影像分析具有重要意义。该研究得到了北京市科学技术委员会科技创新基金项目、国家自然科学基金项目以及北京市新星计划等资金的支持。 本文的工作为冠状动脉造影图像处理领域提供了一种创新的匹配策略，对于提高医疗成像技术的精准性和可靠性具有实际价值，同时也展示了深度学习在虚拟现实和增强现实技术中的应用潜力。