基于 Transformer 的多视角stenosis分类：使用真实临床数据中的多实例学习
计算机视觉与模式识别
2026-02-03 v1 人工智能
摘要
冠状动脉狭窄是心血管疾病的主要原因，通过分析冠状动脉的多个血管造影视角进行诊断。虽然已提出许多针对单一血管造影视角的狭窄检测深度学习模型，但其性能高度依赖昂贵的视角级标注，而这些标注在医院系统中往往难以获取。此外，这些模型未能捕捉多个视角间的时序动态与依赖，这在临床诊断中至关重要。为此，我们提出 SegmentMIL，一个基于 Transformer 的多视角多实例学习框架，用于患者水平的狭窄分类。该模型在真实临床数据集上训练，仅使用患者级监督，不需要任何视角级标注。SegmentMIL 联合预测狭窄的存在并定位受影响的解剖区域，区分右冠状动脉和左冠状动脉及其各自段落。SegmentMIL 在内部和外部评估中取得高性能，优于视角级模型和经典 MIL 基线，凸显其作为临床可行且可扩展的冠状动脉狭窄诊断解决方案的潜力。我们的代码已公开于 https://github.com/NikolaCenic/mil-stenosis。
关键词
引用
@article{arxiv.2602.02067,
title = {Multi-View Stenosis Classification Leveraging Transformer-Based Multiple-Instance Learning Using Real-World Clinical Data},
author = {Nikola Cenikj and Özgün Turgut and Alexander Müller and Alexander Steger and Jan Kehrer and Marcus Brugger and Daniel Rueckert and Eimo Martens and Philip Müller},
journal= {arXiv preprint arXiv:2602.02067},
year = {2026}
}