在CAG图像中实时冠状动脉细分:一个半监督的深度学习策略
Chih-Kuo Lee1, Jhen-Wei Hong2, Chia-Ling Wu2
1Division of Cardiology, Department of Internal Medicine, National Taiwan University Hospital Hsin-Chu Branch, No. 25, Lane 442, Section 1, Jingguo Rd, North District, Hsinchu City 300, Taiwan; Graduate Institute of Clinical Medicine, College of Medicine, National Taiwan University, No.1, Chang-Te St., Taipei 100, Taiwan; Department of Internal Medicine, College of Medicine, National Taiwan University, No.1, Jen Ai road section 1, Taipei 100, Taiwan.
Artificial intelligence in medicine
|May 23, 2024
概括
深度学习细分有助于冠状动脉疾病的治疗,通过创建皮肤冠状动脉干预 (PCI) 的实时路线图. 这种半监督的方法减少了对比度和辐射暴露,改善了患者的护理.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心脏病学 心脏病学
背景情况:
- 冠状动脉疾病 (CAD) 患有脏问题的患者在皮肤冠状动脉干预 (PCI) 期间需要谨慎管理.
- 尽量减少对比剂和辐射暴露对于这些患者至关重要.
- 准确的血管可视化对于有效的PCI指导至关重要.
研究的目的:
- 为实时血管细分开发基于深度学习 (DL) 的半监督方法.
- 为指导PCI程序创建一个实时路线图.
- 为了减少在DL模型中需要广泛的手动数据标签.
主要方法:
- 使用基于U-Net的教师-学生架构进行细分.
- 采用半监督学习,使用大量未标记的冠状动脉血管图像 (CAG) 数据集.
- 实施质量控制策略,包括一致性规范化和用于模型优化的随机增量.
主要成果:
- 在血管细分方面获得了0.9003的Dice平均相似系数.
- 通过有限的标记数据,表现优于传统的监督学习方法.
- 与完全监督的方法相比,即使仅有5%的标记数据,也证明了卓越的性能.
结论:
- 半监督学习有效地克服了DL中的数据标签的高成本.
- 用DL辅助的细分可以为PCI提供实时的路线图.
- 这种方法有可能在PCI程序中显著降低辐射和对比剂量.
