完全自动化的IVUS图像分割与高效的深度学习辅助注释
Lichun Zhang1, Zhi Chen1, Honghai Zhang1
1Iowa Institute for Biomedical Imaging, The University of Iowa, USA; Department of Electrical and Computer Engineering, The University of Iowa, USA.
Computers in biology and medicine
|November 17, 2025
概括
这项研究引入了用于血管内超声波 (IVUS) 图像细分的高效深度学习框架,显著减少了注释工作. 该方法以最小的训练数据实现了最先进的结果,有助于冠状动脉疾病的诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心血管疾病研究研究
背景情况:
- 血管内超声波 (IVUS) 图像细分对于诊断和管理冠状动脉疾病至关重要.
- 深度学习 (DL) 方法看起来有希望,但受到有限的注释数据集的阻碍.
- 减少注释工作是临床采用DL用于IVUS细分的关键.
研究的目的:
- 为自动化IVUS图像分割开发一个高效的深度学习框架.
- 显著减少培训细分模型所需的注释工作.
- 用最少的数据实现临床上可接受的细分性能.
主要方法:
- 一个双分支的深度学习网络,集成空间和道智能概率注意模块.
- 积极学习和模型输出交互以指导专家注释.
- 细分质量评估 (SQA) 用于识别有价值的图像进行注释.
- 在新注释的数据上进行代微调.
主要成果:
- 在冠状动脉IVUS数据上实现了最先进的 (SOTA) 分段性能.
- 与传统方法相比,不需要超过10%的培训数据.
- 证明了手动注释工作的显著减少.
- 通过5倍交叉验证对266名受试者的38771个进行验证.
结论:
- 拟议的框架有效地自动化IVUS图像细分.
- 积极学习和SQA有效地将注释负担降至最低,同时最大限度地提高模型性能.
- 这种方法促进了DL用于冠状动脉疾病评估的临床应用.
