HAMIL-QA：面向心房LGE MRI质量评估的多实例学习层次化方法
图像与视频处理
2024-07-11 v1 计算机视觉与模式识别
摘要
通过高质量 3D 钆延迟增强 (LGE) MRI 准确评估左心房纤维化对于心房颤动管理至关重要，但受到患者运动和成像变异性等因素的阻碍。追求自动化 LGE MRI 质量评估对于提高诊断准确性、标准化评估和改善患者预后至关重要。旨在使该过程自动化的深度学习模型面临着重大挑战，这些挑战源于专家标注的稀缺、高昂的计算成本，以及在高度可变图像中捕捉细微诊断细节的需求。本研究引入了 HAMIL-QA，一种多实例学习 (MIL) 框架，旨在克服这些障碍。HAMIL-QA 采用层次化的包和子包结构，允许在子包内进行针对性分析，并在体积层面聚合见解。这种层次化 MIL 方法减少了对大量标注的依赖，降低了计算负荷，并通过聚焦于诊断关键的图像特征，确保了临床相关的质量预测。我们的实验表明，在 LGE MRI 扫描数据集上，HAMIL-QA 在准确率、AUROC 和 F1-Score 方面超越了现有的 MIL 方法和传统的监督方法，证明了其作为 LGE MRI 质量评估自动化可扩展解决方案的潜力。代码可在： 获取
引用
@article{arxiv.2407.07254,
title = {HAMIL-QA: Hierarchical Approach to Multiple Instance Learning for Atrial LGE MRI Quality Assessment},
author = {K M Arefeen Sultan and Md Hasibul Husain Hisham 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:2407.07254},
year = {2024}
}
备注
Accepted to MICCAI2024, 10 pages, 2 figures