Одноэтапная генерация сетки поверхности просвета аневризмы брюшной аорты гибридной нейронной сетью на основе снимка компьютерной томографии

Обоснование. Современные алгоритмы извлечения поверхности кровотока для гемомоделирования аневризм брюшной аорты в основном извлекают не напрямую из компьютерной томографии, а через этап сегментации [1]. Это осложняет извлечение, потому что при обучении нейросети сегментации игнорируется тот факт, что кровоток представляет собой односвязную область, и для выполнения критерия односвязности может требоваться постобработка. Во-вторых, поверхность кровотока, полученная из маски сегментации с помощью marching cubes, слишком грубая и требует применения сглаживания. Для обеспечения одноэтапного извлечения поверхности первым был предложен Voxel2Mesh [2]. Voxel2Mesh показывает неплохую производительность в извлечение относительно простых геометрий, в то время как для более сложных в литературе предложены его модификации [3, 4].

Цель — разработка алгоритма одноэтапного извлечения поверхности просвета аневризмы брюшной аорты.

Материалы и методы. Было подготовлено 90 снимков компьютерной томографии с контрастированием и масок сегментации к ним с разметкой области кровотока, разделённых на группы в 40, 20 и 30 снимков для обучения, валидации и тестирования. Для увеличения эффективного размера обучающей выборки применялись аффинные и нелинейные аугментации. Для одноэтапного извлечения поверхности была предложена гибридная нейронную сеть, состоящая из воксельного кодера, воксельного декодера и сеточного декодера. Архитектура кодера наследует архитектуру ConvNeXtV2 размера Atto. Воксельный декодер является композицией пяти блоков, из интерполяционного слоя, двух сверхточных слов со слоями пакетной нормализации и ReLU. Воксельный декодер и кодер соединены связями аналогично Unet. Сеточный декодер состоит из четырёх свёрток GraphSAGE, разделённых GeLU, и соединён с воксельным декором. На вход кодера поступает снимок компьютерной томографии, на вход сеточного декора поступает первоначальное приближение поверхности в виде шара. На выходе воксельного декора получается маска сегментации, на выходе сеточного декора — извлечённая поверхность. Для обучения использовалась комбинация воксельной и сеточной функции потерь. В качестве истинной поверхности использовали поверхность, сгенерированную из сегментационной маски алгоритмом marching cubes. Для задания необходимых параметров генерируемой сетки использовали регуляризирующие слагаемые в сеточной функции потерь. Качество генерации оценивали метрикой dice, сравнивая истинную сегментационную маску с растеризированной сгенерированной поверхностью.

Результаты. Мы предложили первую гибридную нейронную сеть с кодером, основанным на современной архитектуре ConvNeXtV2 для прямого создания сетки кровотока аневризмы брюшной аорты. Мы добились улучшения генерации по метрике dice на 14,01%, набрав 85,32%, по сравнению с Voxel2Mesh.

Заключение. Показаны многообещающие результаты для точной генерации геометрии просвета с показателями, близкими к задаче сегментации, устраняя необходимость в этапах постобработки, необходимых для последней.