基于 MoE 的视频特征挖掘的新型回归模型用于弧瓣后狭窄诊断
计算机视觉与模式识别
2025-07-01 v1
摘要
彩色多普勒超声心动图是诊断弧瓣后狭窄 (MR) 的关键工具。近期研究探索了用于 MR 诊断的智能方法，以最小化用户依赖并提高准确性。然而，这些方法常常不符合临床工作流程，可能导致准确性和可解释性次优。本研究引入了一个基于 4 腔部心脏彩色多普勒超声心动图视频 (A4C-CDV) 的自动化 MR 诊断模型 (MReg)。它遵循综合的特征挖掘策略，以考虑临床现实情况检测 MR 并评估其严重程度。我们的贡献有三方面：首先，将 MR 诊断建模为回归任务以捕捉类别之间的连续性和序数关系；其次，我们设计了特征选择和放大机制以模拟儿科医生的诊断逻辑以实现准确的 MR 分级；最后，受 Mixture-of-Experts 概念启发，我们引入了一个特征汇总模块来提取类别级别的特征，增强了更精确分级的表征能力。我们在由 1868 例包含三级弧瓣后狭窄标签的大型内部 A4C-CDV 数据集上训练和评估了所提出的 MReg。与其他弱监督视频异常检测和监督分类方法相比，MReg 在 MR 诊断中表现出优异的性能。我们的代码可在 https://github.com/cskdstz/MReg 上获取。
引用
@article{arxiv.2506.23648,
title = {MReg: A Novel Regression Model with MoE-based Video Feature Mining for Mitral Regurgitation Diagnosis},
author = {Zhe Liu and Yuhao Huang and Lian Liu and Chengrui Zhang and Haotian Lin and Tong Han and Zhiyuan Zhu and Yanlin Chen and Yuerui Chen and Dong Ni and Zhongshan Gou and Xin Yang},
journal= {arXiv preprint arXiv:2506.23648},
year = {2025}
}
备注
10 pages, 5 figures, accepted by MICCAI 2025