Модели сегментации сердечных артерий по коронарографическим снимкам

Сердечно-сосудистые заболевания продолжают лидировать среди причин смертности. Снизить смертность и повысить точность диагностики можно с помощью разработки решений на основе искусственного интеллекта. При этом важнейшей из задач является сегментация сердечных артерий. Точная сегментация коронарных сосудов на ангиографических снимках критически важна для выявления стеноза и планирования интервенционных процедур. Однако автоматизированные методы сегментации сталкиваются с рядом проблем, связанных с затруднением распознания сердечных артерий: неравномерное распределение контрастного вещества, артефакты движения, наложение теней от анатомических структур. В данной работе представлена модель сегментации сосудов на основе модифицированной архитектуры U-Net, включающей residual-блоки и механизмы внимания (SCSE) с предварительным обучением энкодера на искусственном датасете для выделения сосудистых признаков. Особое внимание уделено устойчивости модели к шумам – ключевой проблеме ангиографических данных, с которой не справляются многие существующие методы. Модель обучалась на смешанном наборе данных из 1285 двумерных коронарографических снимках, аннотированных экспертами. Предложенный подход достиг значения IoU 0.54 и F1-score 0.79 на тестовой выборке, демонстрируя устойчивость к шуму и артефактам. Дополнительная постобработка с адаптивной фильтрацией улучшила качество бинарных масок, устраняя ложные срабатывания от катетеров и металлических объектов. Внешняя оценка на 50 изображениях из независимого клинического набора показала IoU 0.50 и F1-score 0.75, что превосходит базовые методы сегментации, такие как классическая U-Net (IoU 0.42). Результаты подчеркивают эффективность предложенной модели для сегментации сосудов в условиях реальных ангиограмм, а также демонстрируют потенциал подхода как основы для последующей 3D-реконструкции сосудистой сети, что может улучшить диагностику и планирование лечения стеноза коронарных артерий.