X-ray 관상동맥 조영술은 관상동맥의 이상을 평가하고 모니터링하는 데 사용되는 주요 방법으로 널리 인정받고 있다. 이 방법은 관상동맥의 구조와 기능에 대한 상세한 정보를 제공하여 심혈관 질환의 진단과 치료 계획 수립에 중요한 역할을 한다. 그러나 X-ray 관상동맥 조영술에서 혈관을 효과적으로 검출하는 것은 여전히 어려운 작업이다. 이는 컴퓨터 진단(Computer-Aided Diagnosis, CAD) 시스템을 사용함에 도 불구하고 노이즈, 낮은 대비, 그리고 폐색과 같은 이미지 관련 문제가 존재하고 이러한 시스템을 향상 시킬 수 있는 고품질의 ...
X-ray 관상동맥 조영술은 관상동맥의 이상을 평가하고 모니터링하는 데 사용되는 주요 방법으로 널리 인정받고 있다. 이 방법은 관상동맥의 구조와 기능에 대한 상세한 정보를 제공하여 심혈관 질환의 진단과 치료 계획 수립에 중요한 역할을 한다. 그러나 X-ray 관상동맥 조영술에서 혈관을 효과적으로 검출하는 것은 여전히 어려운 작업이다. 이는 컴퓨터 진단(Computer-Aided Diagnosis, CAD) 시스템을 사용함에 도 불구하고 노이즈, 낮은 대비, 그리고 폐색과 같은 이미지 관련 문제가 존재하고 이러한 시스템을 향상 시킬 수 있는 고품질의 데이터 세트 가 부족하여, 연구와 개발에 상당한 제약이 따른다. 이에 본 논문에서는 딥러닝 기술을 적용하여 X-ray 관상동맥 조영술에서 분할 성능을 최적화하는 방법을 제안한다. 제안된 방식은 CLAHE(Contrast Limited Adaptive Histogram Equalization) 알고리즘을 이용하여 이미지의 낮은 대비 문제를 해결하고, Unsharp Masking 알고리즘을 이용하여 복잡한 디테일과 가장자리를 명확하게 하여 분할 정확도를 향상시킨다. 활용된 데이터 세트는 XCAD로 알려진 126개의 X-ray 관상동맥 분할 데이터 세트, 134개의 pgm 형식의 300x300 pixel 의 gray-scale 관상동맥 분할 데이터 세트 그리고 Figshare에서 제공하는 30개의 관상동맥 분할 데이터 세트로 구성된다. 또한, U-Net, DeepLabv3, FR-UNet, BATFormer 모델에 본 논문에서 제안하는 전처리 기법을 적용하여 실험을 진행하였다. Dice score, Accuracy, Precision, Recall 성능 지표를 이용하여 성능을 평가하고 비교하여 검증 하였으며, 실험 결과 4%에서 5%의 성능 향상되는 것을 검증하였다.
X-ray 관상동맥 조영술은 관상동맥의 이상을 평가하고 모니터링하는 데 사용되는 주요 방법으로 널리 인정받고 있다. 이 방법은 관상동맥의 구조와 기능에 대한 상세한 정보를 제공하여 심혈관 질환의 진단과 치료 계획 수립에 중요한 역할을 한다. 그러나 X-ray 관상동맥 조영술에서 혈관을 효과적으로 검출하는 것은 여전히 어려운 작업이다. 이는 컴퓨터 진단(Computer-Aided Diagnosis, CAD) 시스템을 사용함에 도 불구하고 노이즈, 낮은 대비, 그리고 폐색과 같은 이미지 관련 문제가 존재하고 이러한 시스템을 향상 시킬 수 있는 고품질의 데이터 세트 가 부족하여, 연구와 개발에 상당한 제약이 따른다. 이에 본 논문에서는 딥러닝 기술을 적용하여 X-ray 관상동맥 조영술에서 분할 성능을 최적화하는 방법을 제안한다. 제안된 방식은 CLAHE(Contrast Limited Adaptive Histogram Equalization) 알고리즘을 이용하여 이미지의 낮은 대비 문제를 해결하고, Unsharp Masking 알고리즘을 이용하여 복잡한 디테일과 가장자리를 명확하게 하여 분할 정확도를 향상시킨다. 활용된 데이터 세트는 XCAD로 알려진 126개의 X-ray 관상동맥 분할 데이터 세트, 134개의 pgm 형식의 300x300 pixel 의 gray-scale 관상동맥 분할 데이터 세트 그리고 Figshare에서 제공하는 30개의 관상동맥 분할 데이터 세트로 구성된다. 또한, U-Net, DeepLabv3, FR-UNet, BATFormer 모델에 본 논문에서 제안하는 전처리 기법을 적용하여 실험을 진행하였다. Dice score, Accuracy, Precision, Recall 성능 지표를 이용하여 성능을 평가하고 비교하여 검증 하였으며, 실험 결과 4%에서 5%의 성능 향상되는 것을 검증하였다.
X-ray coronary angiography is widely recognized as a key method for assessing and monitoring coronary artery anomalies. This technique provides detailed information about the structure and function of the coronary arteries, playing a vital role in diagnosing and planning treatment for cardiovascular...
X-ray coronary angiography is widely recognized as a key method for assessing and monitoring coronary artery anomalies. This technique provides detailed information about the structure and function of the coronary arteries, playing a vital role in diagnosing and planning treatment for cardiovascular diseases. However, effectively detecting vessels in X-ray coronary angiography remains a difficult task. This challenge persists despite the use of Computer-Aided Diagnosis (CAD) systems, due to issues such as noise, low contrast, and obstructions in images, and a shortage of high-quality datasets to enhance these systems, leading to significant constraints in research and development. In response to this, our paper proposes a method to improve segmentation performance in X-ray coronary angiography using deep learning technology. The proposed method utilizes the CLAHE (Contrast Limited Adaptive Histogram Equalization) algorithm to address the issue of low contrast in images, and the Unsharp Masking algorithm to enhance complex details and edges, thereby increasing segmentation accuracy. The datasets employed include 126 X-ray coronary segmentation datasets known as XCAD, 134 pgm format 300x300 pixel grayscale coronary segmentation datasets, and 30 coronary segmentation datasets provided by Figshare. Furthermore, the proposed preprocessing techniques were applied to U-Net, DeepLabv3, FR-UNet, and BATFormer models for experimentation. The performance was evaluated and validated using metrics such as Dice score, Accuracy, Precision, and Recall, with experimental results showing an improvement in performance by 4% to 5%.
X-ray coronary angiography is widely recognized as a key method for assessing and monitoring coronary artery anomalies. This technique provides detailed information about the structure and function of the coronary arteries, playing a vital role in diagnosing and planning treatment for cardiovascular diseases. However, effectively detecting vessels in X-ray coronary angiography remains a difficult task. This challenge persists despite the use of Computer-Aided Diagnosis (CAD) systems, due to issues such as noise, low contrast, and obstructions in images, and a shortage of high-quality datasets to enhance these systems, leading to significant constraints in research and development. In response to this, our paper proposes a method to improve segmentation performance in X-ray coronary angiography using deep learning technology. The proposed method utilizes the CLAHE (Contrast Limited Adaptive Histogram Equalization) algorithm to address the issue of low contrast in images, and the Unsharp Masking algorithm to enhance complex details and edges, thereby increasing segmentation accuracy. The datasets employed include 126 X-ray coronary segmentation datasets known as XCAD, 134 pgm format 300x300 pixel grayscale coronary segmentation datasets, and 30 coronary segmentation datasets provided by Figshare. Furthermore, the proposed preprocessing techniques were applied to U-Net, DeepLabv3, FR-UNet, and BATFormer models for experimentation. The performance was evaluated and validated using metrics such as Dice score, Accuracy, Precision, and Recall, with experimental results showing an improvement in performance by 4% to 5%.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.