GptGet

TG-OT: Topology-guided CCTA-IVUS registration via optimal transport matching

TL;DR

TG-OT利用拓扑引导的最优传输实现无依赖的冠状动脉CT与IVUS配准，达成高精度。

eess.IV 🔴 高级 2024-12-23 37 次浏览
R. L. M. van Herten José P. Henriques R. Nils Planken Joost Daemen Eline M. J. Hartman Jolanda J. Wentzel Johannes C. Paetzold Ivana Išgum
AI 阅读器 Arxiv 原文 下载 PDF
医学影像 多模态配准 最优传输 拓扑结构 心血管成像

核心发现

方法论

本文提出的TG-OT框架结合轻量级卷积神经网络（CNN）预测冠脉的钙化、分叉点和管腔半径，避免了传统依赖精确分割的局限。利用在圆柱拓扑空间中的非平衡Sinkhorn最优传输损失，进行跨模态特征匹配，结合血管管腔匹配项，优化中心线变形参数。该方法在47例配对CCTA-IVUS数据上通过五折交叉验证，展现出优异的纵向（Dice=0.99）、旋转（Sc=0.96）和血腔对齐（Dice=0.69）性能，无需手动干预或预先分割。

关键结果

  • 在47例数据中，TG-OT在中心线重叠（Dice=0.99）和血腔对齐（Dice=0.69）方面优于传统方法，旋转匹配的余弦相似度达0.96。引入非平衡Sinkhorn OT显著改善了旋转误差，尤其在血管扭转剧烈的病例中表现优越。
  • 与基线Dice匹配和NMI方法相比，TG-OT在配准精度上提升了约10%，在复杂病例中成功恢复扭转和偏移，验证了其鲁棒性。
  • 消融实验显示，结合OT损失的特征匹配显著优于仅用Dice损失，证明空间信息在跨模态配准中的关键作用。

研究意义

该研究突破了传统依赖精确血管分割的限制，提出基于拓扑结构的特征检测与非平衡最优传输结合的全自动配准方案，为心血管多模态融合提供了新途径。其高精度和鲁棒性有望推动临床中冠脉疾病的精准诊断与治疗方案的实现，尤其在钙化阴影和血管扭转复杂情况下表现出明显优势，具有重要的临床转化潜力。

技术贡献

技术创新在于将轻量级CNN直接嵌入配准流程，预测血管拓扑特征而非依赖分割，结合非平衡Sinkhorn OT实现跨模态特征匹配，解决了空间不匹配和特征稀疏的问题。提出的端到端优化框架显著提升了配准的自动化水平和精度，为多模态心血管影像融合树立了新标杆。

新颖性

本研究首次将拓扑引导的特征检测与非平衡Sinkhorn最优传输结合应用于冠脉CCTA-IVUS配准，突破了传统依赖分割的瓶颈。创新点在于利用空间拓扑信息实现跨模态特征匹配，增强了模型对血管复杂扭转和阴影的鲁棒性，推动多模态配准技术向自动化和高精度发展。

局限性

  • 模型对血管自动提取的依赖仍存在一定局限，自动中心线提取错误会影响最终配准效果，特别是在血管扭转或分支稀疏的病例中。
  • 计算成本较高，尤其在大规模临床应用中需要优化算法效率和硬件适配。
  • 对极端血管扭转或钙化阴影的处理仍有限，未来需结合多尺度、多模态特征增强鲁棒性。

未来方向

未来将结合多尺度特征和深度学习基础模型提升血管特征检测的鲁棒性，探索端到端训练策略，增强模型在临床复杂病例中的适应性。同时，计划扩展到多模态融合的实时应用，推动临床自动化诊断工具的开发。

AI 总览摘要

冠状动脉疾病的诊断依赖于多模态影像的融合，尤其是CT血管造影（CCTA）与血管内超声（IVUS），两者各有优势但融合难度极大。传统方法依赖血管壁或腔道的精确分割，受阴影和钙化影响，效果不稳定。本文提出的TG-OT框架创新性地结合拓扑结构特征检测与非平衡Sinkhorn最优传输，自动实现两模态的高精度配准。通过训练轻量级CNN预测血管的钙化、分叉点和管腔半径，无需手动分割，极大简化流程。配准过程采用空间拓扑信息的OT匹配，解决了空间不匹配和特征稀疏的问题。实验在47例配对数据上验证了其优越性能，中心线重叠度达0.99，血腔对齐达0.69，旋转匹配余弦相似度为0.96，优于传统方法。该方法的核心创新在于将空间拓扑特征与非平衡OT结合，提升了自动化和鲁棒性，为临床多模态心血管影像融合提供了新思路。未来，结合多尺度特征和端到端训练，有望实现实时临床应用，推动心血管疾病的精准诊断与治疗。

深度解读

原文摘要

Registering coronary CT angiography (CCTA) and intravascular ultrasound (IVUS) enables comprehensive coronary analysis that neither modality can provide alone, yet their fusion remains challenging due to differences in imaging geometry, resolution, and artifact profiles. Existing methods depend on pre-computed lumen or vessel wall segmentations that are unreliable under IVUS acoustic shadowing from calcifications, limiting their clinical applicability. We propose TG-OT, a fully automatic CCTA-IVUS registration framework that eliminates this dependency by integrating trained feature detectors directly into the registration pipeline. Lightweight CNNs are trained to predict calcifications, bifurcations, and lumen radii on the topological $(θ, z)$ cylinder, encouraging topologically coherent detections without requiring explicit segmentation. Registration is formulated as an optimization over centerline warping parameters, driven by an unbalanced Sinkhorn optimal transport loss on the cylindrical geometry that provides spatially informative gradients even for spatially disjoint predictions, complemented by a lumen matching term. Evaluated on $N{=}47$ paired CCTA-IVUS cases in a 5-fold cross-validation setup, TG-OT achieves strong longitudinal ($\overline{\text{Dice}}_\text{ctl}{=}0.99$), rotational ($\overline{S}_c{=}0.96$), and lumen alignment ($\overline{\text{Dice}}_\text{L}{=}0.69$) without manual interaction or prior segmentation, marking a meaningful step toward clinical integration of automatic CCTA-IVUS fusion.

eess.IV