在IVOCT图像中使用元学习自动细分流层和解剖层
Peiwen Shi1, Jingmin Xin1, Shaoyi Du1
1Institute of Artificial Intelligence and Robotics, Xi'an Jiaotong University, China.
Journal of biophotonics
|June 8, 2023
概括
本研究引入了一种超学习方法,用于在血管内光学连贯断层扫描 (IVOCT) 图像中的自动化血管层细分. 该方法有效地通过最小的注释数据对光层,内膜,介质和冒险层进行细分,从而推进心血管疾病监测.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心血管研究研究心血管研究
背景情况:
- 血管内光学连贯断层扫描 (IVOCT) 图像的自动化分析对于评估血管健康和监测冠状动脉疾病至关重要.
- 深度学习模型通常需要广泛的注释数据集,在医学成像中很难获得这些数据集.
研究的目的:
- 在IVOCT图像中使用meta-learning开发一种用于对血管层 (光层,内膜,介质,附带层) 进行细分的自动方法.
- 为应对医疗图像分析中的有限注释数据的挑战,用于心血管应用.
主要方法:
- 一个超级学习框架,利用双层梯度策略来训练一个超级学习者.
- 开发一个爪型网络和对比一致性损失,以增强元知识的获取.
- 该方法应用于心血管IVOCT数据集.
主要成果:
- 拟议的元学习方法在细分解剖层方面取得了最先进的性能.
- 在提取光膜,内膜,介质和冒险表面的有效性已被证明,只有少数注释样本.
- 在两个心血管IVOCT数据集上得到验证.
结论:
- 超学习为IVOCT图像中的自动化船舶层细分提供了可行的解决方案,克服了数据限制.
- 开发的方法显示了改善冠状动脉疾病的评估和监测的巨大潜力.
- 这种方法可以从IVOCT数据中更有效,更准确地分析心血管结构.
