DIAS:在DSA序列中对内动脉细分的数据集和基准
Wentao Liu1, Tong Tian2, Lemeng Wang1
1School of Artificial Intelligence, Beijing University of Posts and Telecommunications, Beijing, China.
Medical image analysis
|June 28, 2024
概括
这项研究介绍了DIAS,这是一种用于在数字减法血管学序列中对内动脉进行细分的新数据集. 它介绍了准确细分的新方法,改善了中风研究和临床应用.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 神经科学是一个神经科学.
背景情况:
- 在数字减法血管学 (DSA) 中对内动脉 (IA) 的自动细分对于血管形态量化和计算机辅助中风研究至关重要.
- 由于血管对比度有限,现有的方法与单DSA作斗争,阻碍了准确的表示.
- 需要强大的数据集和方法来应对DSA序列中的IA细分挑战.
研究的目的:
- 引入DIAS,一种用于在DSA序列中对IA细分的新型数据集.
- 建立一个基准来评估IA的完整,弱和半监督细分方法.
- 开发和验证新的深度学习框架,以改善DSA中的IA细分.
主要方法:
- 开发了DIAS,一个用于DSA序列中的IA细分的数据集,并建立了评估的基准.
- 提出了一个容器序列分割网络,用于2D+时间DSA序列的时空特征提取.
- 引入了一个基于涂学习的框架,用于弱监督的IA细分,并进行交叉伪监督.
- 实施了基于随机补丁的自我训练框架,以解决有限的注释DSA数据.
主要成果:
- 提出的方法在DIAS数据集上证明了IA细分的有效性.
- 船舶序列分割网络成功捕获了时间空间的表示,以实现准确的分割.
- 弱监督和自我训练框架显示,尽管数据有限,但性能有所改善.
- DIAS数据集和相关代码为未来的研究提供了宝贵的资源.
结论:
- DIAS数据集和建议的方法为DSA的内动脉细分提供了显著的进步.
- 这些贡献作为未来研究和中风分析临床应用的有效基准.
- 数据集和代码的公开可用性有助于进一步开发和验证.
