预训练的减法和细分模型用于冠状动脉血管图.
Yunjie Zeng1,2, Han Liu3, Juan Hu4
1Department of Cardiology, The Second Affiliated Hospital of Chongqing Medical University, Chongqing, 400010, China.
Scientific reports
|August 27, 2024
概括
一种新的自主监督学习方法通过精确细分血管和执行单减法来改善冠状动脉血管学分析,即使使用有限的注释数据.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 有注释的医疗数据的稀缺性阻碍了AI在医学成像方面的发展.
- 准确的冠状动脉血管细分对于诊断诸如狭窄症等疾病至关重要.
研究的目的:
- 介绍一种新的自我监督学习方法,用于冠状动脉血管学中的单减法和血管细分.
- 解决医疗成像AI应用中有限的注释样本的挑战.
主要方法:
- 在未注释的冠状动脉血管图上预训练U-Net模型,使用图像对图像的翻译.
- 在一小组手动注释的样本上微调预训练模型.
- 使用自主监督学习方法来利用大型未注释的数据集.
主要成果:
- 实现了全面的单减法,优于现有的数字减法血管学 (DSA) 方法.
- 船舶细分达到0.828的子系数,只有40个注释样本.
- 在XCAD数据集上设置一个新的最先进的基准值,该基准值的子系数为0.755.5.
结论:
- 将自我监督的预训与最小的微调相结合,可以实现精确的冠状动脉血管细分.
- 开发的方法为冠状动脉血管学提供了强大的单减法.
- 这种方法有助于医生识别潜在的血管狭窄部位.
