A vascular synthetic model for improved aneurysm segmentation and detection via Deep Neural Networks

我们在此呈现一个全合成模型，能够模仿大脑血管树的各种成分：大脑动脉、分叉和颅内动脉瘤。通过构建这个模型，我们的目标是提供一个大脑动脉的实质数据集，可以被三维卷积神经网络（CNN）用于分割或检测/识别各种血管疾病（如动脉夹层/血栓）或甚至某些部分的大脑血管，如分叉或动脉瘤。在本研究中，我们将特别关注颅内动脉瘤（ICA）的检测和分割。大脑动脉瘤最常见于名为Willis环的血管树结构上。已经进行了各种研究来检测和监测ICA，基于深度学习（DL）的研究获得了最佳表现。具体而言，在这项工作中，我们提出了一个全合成的三维模型，能够模仿通过磁共振血管成像（MRA）获得的大脑血管，尤其是飞行时间（TOF）原理。在各种MRI模式中，MRA-TOF可以相对较好地呈现血管，并且是非侵入性的（无需注射对比剂）。我们的模型被设计为同时模仿动脉几何形状、ICA形状和背景噪声。血管树的几何形状是通过三维样条函数插值建模的，背景MRI噪声的统计特性是从MRA采集中收集并在模型中复制的。在这项工作中，我们全面描述了合成血管模型，建立了一个用于ICA分割和检测的神经网络，并最终进行了对合成模型数据增强所获得的性能差距的深入评估。

本论文旨在提出一种全合成的3D模型，模拟脑血管树的各种成分，以用于脑血管疾病的检测和分割。具体而言，本文重点研究颅内动脉瘤（ICA）的检测和分割。

本文提出了一种全合成的3D模型，能够模拟磁共振血管成像（MRA）所获取的脑血管形态，同时模拟血管几何形状、ICA形状和背景噪声，并使用3D卷积神经网络（CNN）进行ICA分割和检测。

本文的亮点包括：1.提出了一种全合成的3D模型，能够模拟脑血管树的各种成分；2.使用3D CNN进行ICA分割和检测，取得了较好的性能；3.在大量实验中，证明了全合成数据增强可以显著提高ICA分割和检测的性能。

最近在该领域的相关研究包括：1.基于深度学习的脑血管疾病检测和分割；2.使用合成数据进行数据增强的方法；3.基于MRA的脑血管树分割和重建等。