实现精确的心脏MRI细分,使用基于自编码器的无监督域调整
IEEE transactions on medical imaging
|March 28, 2024
概括
这项研究引入了一种新的无监督域适应框架,用于在心脏MRI中对心肌梗塞进行细分. 该方法有效地调整不同模式的图像特征,提高分段精度,而不需要LGE图像注释.
科学领域:
- 医学图像分析 医学图像分析
- 机器学习 机器学习
- 心血管成像 - 心血管成像
背景情况:
- 晚期加多增强 (LGE) 心磁共振 (CMR) 图像中的精确心肌细分对于诊断和治疗心肌梗塞 (MI) 至关重要.
- 对于LGE-CMR图像的细分注释很少,这阻碍了监督学习方法.
- 模式之间的域转移 (例如,LGE与平衡平稳状态自由前行 (bSSFP)) 在将知识从注释到无注释数据集转移时显著降低了模型性能.
研究的目的:
- 在LGE-CMR图像中开发心肌结构细分的无监督域适应框架.
- 通过调整不同CMR图像模式之间的特征分布来解决域位移问题.
- 为了提高心肌细分的准确性,而不依赖于LGE特定的注释.
主要方法:
- 提出了一个基于变异自编码器的特征对齐模块,将明确和隐含特征 (VAMCEI) 结合起来,用于端到端的特征对齐.
- 利用Kullback-Leibler (KL) 分歧来测量域间的全球分布距离.
- 实现了原型对比损失,以对齐相同类别的原型,并将不同类别的原型分开跨域.
- 整合了一个域区分器来完善特征分布以改善细分.
- 将VAMCEI与CycleGAN结合起来,创建一个多阶段的无监督域调整 (UDA) 框架.
主要成果:
- 拟议的VAMCEI模块有效地调整了LGE和bSSFP CMR图像之间的特征分布.
- 多阶段的UDA框架显著减轻了由域转移引起的性能下降.
- 在MSCMRSeg 2019,MyoPS 2020和MM-WHS 2017数据集上的实验结果表明,与最先进的方法相比,性能优越.
结论:
- 开发的无监督域适应框架为LGE-CMR图像中的心肌细分提供了强大的解决方案.
- VAMCEI模块及其集成到多阶段框架中有效地应对领域转移的挑战.
- 这种方法在自动心脏图像分析领域取得了进展,特别是在注释数据有限的场景中.
