结合生成建模和半监督域适应,用于全心心血管磁共振血管学细分

科学领域:

• 医学成像医学成像
• 心血管成像 - 心血管成像
• 医学中的人工智能.

背景情况:

• 准确的3D心脏解剖量化对于评估心血管疾病至关重要.
• 由于疾病导致的心脏重塑需要进行解剖学变化评估.
• 由于图像质量和有限的标记数据,心血管磁共振血管图 (CMRA) 的细分具有挑战性,与计算机断层扫描血管图 (CTA) 不同.

研究的目的:

• 评估无监督深度学习领域适应3D全心全意CMRA细分.
• 调查将有限的监督数据纳入生成模型的影响.
• 将生成模型与CMRA细分的监管基准进行比较.

主要方法:

• 应用生成对抗网络和变异自动编码器,用于从CTA到CMRA的无监督域调整.
• 使用细分的CTA图像作为源域和CMRA图像作为目标域.
• 实施了监管损失功能,其中10-30%的CMRA数据被标记,并与完全监管的nn-UNet进行了对比.

主要成果:

• 将少量标记的CMRA案例纳入其中,大大提高了两个生成架构的性能.
• 与有限的标记数据相比,生成方法的表现优于监督基准.
• 在标准CMRA数据集上实现了12% (对抗性) 和10% (变异性) 的平均Dice分数改进.

结论:

• 半监督生成建模显著提高CMRA细分性能与最小的标记数据.
• 当标记数据稀缺时,半监督生成方法比纯监督方法更有效用于CMRA细分.