来自LGE-MRI的左心室3D自动划分:基于演员-关键的检测和半监督的细分

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 心血管成像 - 心血管成像

背景情况:

• 精确的左心房 (LA) 划分对于诊断心房相关疾病至关重要.
• 目前的方法需要大量的voxel级注释,这耗时且劳动密集.
• 现有的半监督方法可能会受到错误积累和有限的空间特征捕获的影响.

研究的目的:

• 为准确和自动的左前庭 (LA) 划界制定一个新的框架.
• 为了减少对大量voxel级注释数据的依赖.
• 提高LA细分用于计算机辅助诊断的精度和临床便利性.

主要方法:

• 一种深度强化学习方法,采用形状适应检测,使用框级注释用于初始的LA区域检测.
• 一个半监督的细分方案,集成两个不同的网络 (基于变压器和基于CNN) 精确的3D LA轮划分.
• 隐含的一致性规范化和子网络之间的相互伪标签,以减轻类不平衡和周围组织干扰.

主要成果:

• 拟议的框架有效地检测LA地区,仅使用框级注释,绕过voxel级标签要求.
• 半监督方案成功地将LA轮划定为3D卷,减少错误并改善空间特征捕获.
• 在两个公共数据集上的实验结果显示,与最先进的方法相比,在准确性和临床便利性方面表现优越.

结论:

• 新的LA划分框架显著推进了与心房相关的条件的计算机辅助诊断.
• 该方法为LA细分提供了更有效,更准确的方法,需要更少的手动注释.
• 这项工作为开发强大且适用于临床的医学图像分析工具提供了有前途的方向.