基于形状和纹理的无监督生成对抗调整预训练的网络用于从3D超声波图像中进行动脉细分

科学领域:

• 医学成像分析分析 医学成像分析
• 医疗保健中的人工智能
• 心血管疾病的研究研究.

背景情况:

• 三维超声波 (3DUS) 度量对动脉样硬化变化非常敏感.
• 手动对动脉边界进行细分是耗时且可变的.
• 监督深度学习需要广泛的手动细分,限制了临床研究的可扩展性.

研究的目的:

• 开发一种方法来优化预训练的细分模型,而无需手动细分以进行微调.
• 为了实现精确的动脉细分,以改善动脉样硬化监测.

主要方法:

• 开发了一个无监督的形状和纹理生成对抗网络 (USTGAN),以微调预训练的卷积神经网络 (CNN).
• 集成的新型纹理和形状区分器,以提高细分精度.
• 实施自我检查和自我纠正机制以减少细分错误.

主要成果:

• USTGAN在光密边界 (LIB) 和媒体 - 冒险边界 (MAB) 中实现了高的子相似系数 (DSC).
• 显著改善了基线性能,具有较低的不正确本地化率 (ILR).
• 超过了六个最先进的领域适应模型.

结论:

• USTGAN框架增强了动脉成像的细分概括性.
• 在多中心试验中促进了有效的动脉疾病监测.
• 支持在3DUS成像方面的有限专业知识的诊所.