乱序区学习（DZL）：一种基于冠状动脉造影的无监督动态自动狭窄识别方法
图像与视频处理
2021-10-05 v1 计算机视觉与模式识别
摘要
我们提出了一种名为乱序区学习（DZL）的新型无监督方法，用于自动识别冠状动脉造影中的狭窄。该方法首先打乱视频中的帧，其次生成一个有效区，最后训练一个编码器-解码器 GRU 模型以学习恢复乱序帧的能力。我们研究的突破是发现并验证了序列强度（恢复难度）可作为冠状动脉狭窄状态的度量。因此，DZL 的预测精度被用作冠状动脉狭窄指标的近似器。DZL 是一种无监督方法，无需标签工程工作，其中的子 GRU 模型以自监督方式工作。因此 DZL 理论上可利用无限大量的冠状动脉造影数据进行学习并提升性能，而无需费力地进行数据标注。运行 DZL 无需数据预处理前提，因为它动态利用整个视频，故易于实现并推广以克服冠状动脉造影的数据异质性。该纯方法的整体平均精度得分达 0.93，AUC 达 0.8。针对冠状动脉闭塞指标，最高的分段平均精度得分为 0.98，最高的分段 AUC 为 0.87。最后，我们开发了一个软件演示来实现 DZL 方法。
引用
@article{arxiv.2110.00896,
title = {Disarranged Zone Learning (DZL): An unsupervised and dynamic automatic stenosis recognition methodology based on coronary angiography},
author = {Yanan Dai and Pengxiong Zhu and Bangde Xue and Yun Ling and Xibao Shi and Liang Geng and Qi Zhang and Jun Liu},
journal= {arXiv preprint arXiv:2110.00896},
year = {2021}
}