基于层次语料库-视图-类别细化的车动脉砧症风险分级超声声像学
计算机视觉与模式识别
2025-07-01 v1
摘要
准确评估车动脉砧症分级（CPG）对于评估心血管和脑血管疾病风险至关重要。由于砧症的尺寸小且类内变异性大，临床实践中通常使用结缔面和纵向超声视图的组合来评估 CPG。然而，大多数现有基于深度学习的多视图分类方法侧重于跨不同视图的特征融合，忽略了表示学习和类别特征差异的重要性。为解决这些问题，我们提出了一种 novel 的语料库-视图-类别细化框架（CVC-RF），通过处理来自语料库、视图和类别水平的信息来增强模型性能。我们的贡献主要有四点：其一，据我们所知，我们是首个根据最新的车动脉砧症-RADS 指南进行 CPG 的深度学习方法；其二，我们提出一种 novel 的中心记忆对比损失，通过在语料库水平上与代表性聚类中心和多样化负样本进行比较，增强网络的全局建模能力；其三，我们设计一种级联下采样注意力模块来融合多尺度信息，实现视图水平上的隐式特征交互；其四，引入一种无参数的混合专家加权策略，利用类聚类知识为不同专家提供权重，实现类别水平上的特征解耦。实验结果表明，CVC-RF 通过多级细化有效建模了全局特征，在具有挑战性的 CPG 任务中实现了业界最佳性能。
引用
@article{arxiv.2506.23108,
title = {Hierarchical Corpus-View-Category Refinement for Carotid Plaque Risk Grading in Ultrasound},
author = {Zhiyuan Zhu and Jian Wang and Yong Jiang and Tong Han and Yuhao Huang and Ang Zhang and Kaiwen Yang and Mingyuan Luo and Zhe Liu and Yaofei Duan and Dong Ni and Tianhong Tang and Xin Yang},
journal= {arXiv preprint arXiv:2506.23108},
year = {2025}
}
备注
Accepted at MICCAI 2025