SPECT 左心室自监督少样本学习的连续最大流增强
图像与视频处理
2024-05-10 v1 计算机视觉与模式识别
机器学习
摘要
单光子发射计算机断层扫描（SPECT）左心室评估方案对于检测高危患者的缺血非常重要。为了定量测量心肌功能，临床医生依赖商业解决方案来分割并重新定向左心室（LV）以进行评估。基于大型正常数据集，这些解决方案的分割性能和高昂价格可能会阻碍对 LV 轮廓进行可靠且精确定位的可用性。为了克服上述缺点，本文旨在为诊断中心以及诊所提供一种方法，基于重建 SPECT 全视野（FOV）体上的小规模且低质量标签自动分割心肌。我们开发了连续最大流（CMF）与先验形状信息的结合，以增强 SPECT 设备各种几何结构上的 3D U-Net 自监督学习（SSL）方法。在获取的数据集上的实验结果表明，基于先前 SOTA 解决方案的定量指标提高了 5-10%，表明这是解决高噪声 SPECT 心脏数据集上少样本 SSL 问题的一种合理可行的方法。
引用
@article{arxiv.2405.05520,
title = {Continuous max-flow augmentation of self-supervised few-shot learning on SPECT left ventricles},
author = {Ádám István Szűcs and Béla Kári and Oszkár Pártos},
journal= {arXiv preprint arXiv:2405.05520},
year = {2024}
}
备注
ISBI 2024 Accepted paper for presentation