基于集成学习的多血管冠状动脉分割与狭窄定位
图像与视频处理
2023-10-30 v1 计算机视觉与模式识别
摘要
冠状动脉造影分析是心脏病专家通过评估动脉粥样硬化斑块积聚来诊断冠状动脉疾病（CAD）的常规临床任务。本研究介绍了一套端到端机器学习解决方案，作为我们参与 MICCAI 2023 基于 X 射线造影图像的自动区域式冠状动脉疾病诊断（ARCADE）挑战赛的方案的一部分；该挑战旨在对从 X 射线冠状动脉造影图像中进行多血管冠状动脉分割和潜在狭窄病变定位的解决方案进行基准测试。我们采用了一种鲁棒的基础模型训练策略以逐步提升性能，包括五个连续阶段：二分类预训练、多血管分割、使用类别频率加权数据加载器微调、使用基于 F1 的课程学习策略（F1-CLS）微调，以及最后基于多目标造影视图分类器的集体自适应。与许多其他医学影像流程不同，该任务表现出显著的观察者间变异性。我们的集成模型通过加权集成方法组合了六个基础模型的输出，分析表明这使所提方案的预测准确率翻倍。最终预测经过进一步精炼，以纠正误分类的斑块。我们的方案在冠状动脉分割上取得了 37.69% 的平均 F1 分数，在狭窄定位上取得了 39.41% 的平均 F1 分数，使我们的团队在两个排行榜上均位居第 5。本工作展示了自动化工具在辅助 CAD 诊断、引导介入以及提高临床环境中支架注射准确性方面的潜力。
引用
@article{arxiv.2310.17954,
title = {Multivessel Coronary Artery Segmentation and Stenosis Localisation using Ensemble Learning},
author = {Muhammad Bilal and Dinis Martinho and Reiner Sim and Adnan Qayyum and Hunaid Vohra and Massimo Caputo and Taofeek Akinosho and Sofiat Abioye and Zaheer Khan and Waleed Niaz and Junaid Qadir},
journal= {arXiv preprint arXiv:2310.17954},
year = {2023}
}
备注
Submission report for ARCADE challenge hosted at MICCAI2023