一个基于图像注册的自我监督的Su-Net用于带斑块超声波图像分割
Jing Ding1, Ran Zhou1, Xiaoyue Fang1
1School of Computer Science, Hubei University of Technology, Wuhan, Hubei 430068, China.
Computer methods and programs in biomedicine
|December 7, 2023
概括
这项研究引入了一种新的自我监督学习方法,用于超声波图像中的动脉斑块细分. 该方法有效地使用有限的标记数据测量总斑块面积 (TPA),改善中风风险评估.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心血管疾病 心血管疾病
背景情况:
- 测量总斑块面积 (TPA) 对于诊断动脉样硬化和预防中风至关重要.
- 在超声波图像中精确的斑块细分对于TPA测量至关重要.
- 深度学习模型需要大量的标记数据,这对于动脉图像细分来说具有挑战性.
研究的目的:
- 开发一种自主监督的学习方法,用于用有限的标记超声波图像对状腺斑块进行细分.
- 为了提高总斑块面积 (TPA) 测量在动脉样硬化中的准确性.
- 在自我监督学习中利用斑块轮的语义特征.
主要方法:
- 提出了一种基于图像注册的自我监督学习方法.
- 使用堆叠的U-Net架构 (SSL-SU-Net) 进行动脉斑块细分.
- 预先训练的模型使用一个借口任务,没有分割面具,专注于轮特征.
主要成果:
- 在有限的标记数据中实现了高分段精度 (SPARC上的DSC 80.25-89.18%,中南数据集上的90.3%).
- 证明了自动和手动TPA测量之间的强相关性 (r = 0.965-0.995).
- 在独立数据集上展示了出色的性能和概括性.
结论:
- 拟议的自主监督学习方法可以使用小标记数据集进行精确的带斑块细分和TPA测量.
- 促进深度学习在动脉超声分析中的临床应用.
- 该方法对现实世界临床场景具有很好的概括能力.
