基于码本的时空学习用于无造影心脏风险预测
计算机视觉与模式识别
2025-09-30 v1
摘要
准确且无需造影剂的明显危及生命事件(MACE)预测仍是从 Cine MRI序列中进行的关键挑战。现有方法通常需要基于心肌室壁人工精细掩码的监督学习，这在无造影剂时往往不可行。我们引入一种自监督框架，称为基于码本的时空学习(CTSL)，从原始Cine数据中学习动态时空表征，而无需分段掩码。CTSL通过多视图蒸馏策略分离时域和空间特征，其中教师模型处理多个Cine视图，学生模型从降维Cine-SA序列中学习。通过利用基于码本的特征表征和通过运动线索实现的动态病灶自检测，CTSL捕捉复杂的时序依赖性和运动模式。通过我们的模型实现高置信度的MACE风险预测，为心脏风险评估提供快速、无创的解决方案，显著优于传统依赖造影剂的方法，从而在临床环境中实现及时且可及的心脏病诊断。
引用
@article{arxiv.2507.16612,
title = {CTSL: Codebook-based Temporal-Spatial Learning for Accurate Non-Contrast Cardiac Risk Prediction Using Cine MRIs},
author = {Haoyang Su and Shaohao Rui and Jinyi Xiang and Lianming Wu and Xiaosong Wang},
journal= {arXiv preprint arXiv:2507.16612},
year = {2025}
}
备注
Accepted at MICCAI 2025