基于 IVUS 成像的动脉粥样硬化斑块检测联邦学习方法
图像与视频处理
2024-12-23 v1 计算机视觉与模式识别
摘要
传统的经皮冠状动脉介入 (PCI) 期间对肌动脉超声 (IVUS) 图像的解读耗时且一致性差，严重依赖医师的专业知识。监管限制和隐私顾虑进一步阻碍了跨医院系统的数据整合， complicating collaborative analysis。为解决这些挑战，本文开发了一种采用联邦学习的平行 2D U-Net 模型，具备多级分割架构，旨在在保护隐私的前提下实现跨机构的安全数据分析。该模型通过识别并减去外部弹性膜 (EEM) 区域和腔隙区域来实现斑块分割，预处理步骤将笛卡尔坐标转换为极坐标，以提高计算效率。模型实现了 Dice 相似系数 (DSC) 为 0.706，能够有效识别斑块并实时检测圆形边界。与领域专家的协作通过精确的量化测量来增强斑块负荷的解读。未来发展可能涉及整合更先进的联邦学习技术并扩大数据集，以进一步提高性能和适用性。这种可适应的技术为处理敏感且分布式数据的数据环境提供了潜在的机遇，有助于优化医学影像和介入的临床结果。
引用
@article{arxiv.2412.15307,
title = {Federated Learning for Coronary Artery Plaque Detection in Atherosclerosis Using IVUS Imaging: A Multi-Hospital Collaboration},
author = {Chiu-Han Hsiao and Kai Chen and Tsung-Yu Peng and Wei-Chieh Huang},
journal= {arXiv preprint arXiv:2412.15307},
year = {2024}
}