针对心脏MRI含噪标签下心肌瘢痕分割的鲁棒深度学习
计算机视觉与模式识别
2025-06-27 v1 人工智能
摘要
从心脏MRI中准确分割心肌瘢痕对于临床评估和治疗规划至关重要。在本研究中，我们提出了一种鲁棒的深度学习流水线，通过微调SOTA模型来实现心肌瘢痕的完全自动化检测和分割。该方法通过使用Kullback-Leibler损失和广泛的数据增强，明确解决了来自半自动标注的标签噪声、数据异质性和类别不平衡的挑战。我们在急性和慢性病例上评估了模型的性能，并证明其能够在标签含噪的情况下产生准确且平滑的分割。特别是，我们的方法优于nnU-Net等SOTA模型，并在分布外测试集上表现出强大的泛化能力，突显了其在各种成像条件和临床任务中的鲁棒性。这些结果为自动心肌瘢痕量化奠定了可靠的基础，并支持深度学习在心脏成像中更广泛的临床应用。
引用
@article{arxiv.2506.21151,
title = {Robust Deep Learning for Myocardial Scar Segmentation in Cardiac MRI with Noisy Labels},
author = {Aida Moafi and Danial Moafi and Evgeny M. Mirkes and Gerry P. McCann and Abbas S. Alatrany and Jayanth R. Arnold and Mostafa Mehdipour Ghazi},
journal= {arXiv preprint arXiv:2506.21151},
year = {2025}
}
备注
MICCAI 2025