基于对抗概念 disentanglement 的弱监督心肌梗死 MRI 质量评估：AC-MIL 方法
计算机视觉与模式识别
2026-04-14 v1
摘要
高质量晚期镌剂增强（LGE）MRI 对心房颤动管理有帮助，但扫描质量常因患者运动、呼吸不规则及图像获取时机不当而受损。虽然多实例学习（MIL）已成为弱监督下自动质量评估的强大工具，但当前最先进的方法将局部视觉证据映射到单一、晦涩的全局特征向量。这种黑箱方法未能提供针对特定失效模式的可操作反馈，阻碍了人们判断扫描是因运动模糊、对比度不足，还是解剖背景缺失而受损。本文提出对抗概念-MIL（AC-MIL），一种弱监督框架，将全局图像质量分解为临床定义的放射学概念，仅依赖体积级监督。为捕获不与预定义概念交织的潜在质量变化， our 框架融合无监督残差分支，通过对抗抹除机制严格防止信息泄漏。此外，我们引入空间多样性约束，对不同概念注意力图施加重叠惩罚，确保局部可解释特征提取。大规模临床数据实验表明，AC-MIL 成功地打开了 MIL 黑箱，提供高度局部化的空间概念图，使医生能够定位非诊断性扫描的具体原因。关键在于，本框架在保持高度竞争的有序评级性能的同时，实现了深层临床透明度。代码将在论文接受后公开。
引用
@article{arxiv.2604.10303,
title = {AC-MIL: Weakly Supervised Atrial LGE-MRI Quality Assessment via Adversarial Concept Disentanglement},
author = {K M Arefeen Sultan and Kaysen Hansen and Benjamin Orkild and Alan Morris and Eugene Kholmovski and Erik Bieging and Eugene Kwan and Ravi Ranjan and Ed DiBella and Shireen Elhabian},
journal= {arXiv preprint arXiv:2604.10303},
year = {2026}
}