对抗性训练与错位标签纠正,用于 simultaneous non-contrast angiography 和 plaque 内出血的MRI 进行心血管细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 心血管研究研究心血管研究

背景情况:

• 同时的非对比血管造影和内出血 (SNAP) 成像可以在一次扫描中获得多对比的MRI.
• 自动检测易受损伤的斑块部件需要从SNAP图像中准确地细分容器壁.
• 目前的方法需要从传统的MRI中进行预细分和注册,这耗时且容易出现错误.

研究的目的:

• 从SNAP图像开发一个直接船壁细分模型,消除跨模式注册的需要.
• 为了减轻标签噪声和边界错误注册引起的细分错误.

主要方法:

• 采用了学生-平均教师架构,分两个阶段进行培训:通过手动细分进行热身,并通过对齐和不对齐的细分进行微调.
• 使用快速梯度符号方法 (FGSM) 和一种新型替代标签生成器的对抗性训练被用于处理杂的标签.
• 该框架集成了噪音和可靠的标签,使用平均概率图进行推断.

主要成果:

• 与现有的噪音标签学习技术相比,提出的方法显示出更高的性能.
• 实现了73.51±11.08%的盘面相似系数,用于容器壁,90.76±10.21%的光线,和90.10±10.38%的外墙细分.

结论:

• 开发的框架准确地从SNAP图像直接对船舶壁进行细分,有效地处理噪音和可靠的标签.
• 这种方法通过删除手动细分和注册步骤来简化斑块成分分析,允许更详细地检查动脉细分.