0-Dr-SAM: An End-to-End Framework for Vascular Segmentation, Diameter Estimation, and Anomaly Detection on Angiography Images.
Dr-SAM：用于血管分割、直径估计和血管造影图像异常检测的端到端框架
背景
下肢及盆腔器官供血依赖肾下主动脉和盆腔动脉，血管狭窄或扩张会引发健康问题。血管造影技术利用 X 射线和造影剂辅助诊断，AI 的发展使其可进行语义分析，有助于医生诊断。
现有血管造影图像分析方法在分析主动脉和髂动脉时存在局限，尤其在血管异常检测和表征方面。因此，本文提出 Dr - SAM 框架，用于外周血管造影图像分析。
- 提出 Dr - SAM 框架，实现血管分割、直径估计和异常检测 / 表征的端到端分析。
- 设计针对血管造影图像的正点选择机制，改进分割效果。
- 引入新的异常检测算法，基于拓扑骨架检测狭窄和动脉瘤。
- 构建包含外周血管 X 射线图像、血管二值掩码和异常点标签的基准数据集。
实验方法
血管提取
采用 SAM 模型从 X 射线图像中提取血管，通过设计正点选择算法优化 SAM 的提示，提高分割效果。具体为生成概率图，排除低概率像素，随机采样并选择具有最多相邻点的点作为初始正点，后续正点选择避免已预测区域，重复三次以获得最终 5 个正点。
异常检测
利用拓扑骨架识别血管中心线，通过 PlantCV 技术提取分支，去除长度小于 MinBranchLength 的低长度分支以获得树状结构骨架，用于估计血管段直径。将段近似直径视为函数值，通过聚类极值点并应用阈值 MinChangeThreshold 检测异常点，再利用距离变换技术估计异常点附近直径，计算异常百分比并判断异常类型。
基准数据集
数据集包含 2018 - 2024 年两家医院放射科进行的 500 例盆腔 - 髂动脉血管造影检查图像，经裁剪、标注血管掩码和标记异常后，用于研究盆腔 - 髂动脉相关疾病，其中 450 张图像分辨率为 386x448 像素，50 张为 819x950 像素，170 张有至少一处狭窄，64 张有至少一处动脉瘤。
实验结果
在多样血管造影图像上进行实验，参数设置为 SelectionRadius = 75，SecondPointSelectionRadius = 50，ExcludeRadius = 100，MinBranchLength = 40，MinChangeThreshold = 50%，代码基于 PyTorch 实现，分割平均耗时 0.66 秒，异常检测平均耗时 0.65 秒。
总结
本文提出 Dr - SAM 方法，通过定制正点检测实现血管造影图像端到端异常检测，实验证明其在血管提取和异常检测方面的有效性，优于现有分割技术。引入 450 张外周血管造影图像基准数据集，计划公开代码和数据集，为医学图像处理研究提供新思路和工具，推动血管异常检测领域发展