RTN:用于冠脉CT血管成像血管级图像质量评价的增强Transformer网络
多媒体
2022-07-14 v1 计算机视觉与模式识别
摘要
冠脉CT血管成像(Coronary CT Angiography, CCTA)易受多种畸变(如伪影和噪声)影响,严重损害心血管疾病的准确诊断。合适的CCTA血管级图像质量评价(CCTA Vessel-level Image Quality Assessment, CCTA VIQA)算法可用于降低误诊风险。CCTA VIQA的主要挑战在于决定最终质量的冠脉局部部分难以定位。为应对该挑战,我们将CCTA VIQA表述为多示例学习(multiple-instance learning, MIL)问题,并利用基于Transformer的MIL骨干网络(称为T-MIL)将沿冠脉中心线的多个示例聚合成最终质量。然而,并非所有示例都对最终质量有信息量,存在一些质量无关/负向示例干扰准确的质量评价(例如仅覆盖背景的示例或示例中冠脉不可辨识)。因此,我们提出一种基于渐进强化学习的示例丢弃模块(称为PRID),以渐进移除CCTA VIQA中质量无关/负向示例。基于上述两个模块,我们提出一种增强Transformer网络(Reinforced Transformer Network, RTN),基于端到端优化实现自动CCTA VIQA。大量实验结果表明,我们所提方法在真实世界CCTA数据集上达到了最先进(state-of-the-art, SOTA)性能,大幅超越先前的MIL方法。
引用
@article{arxiv.2207.06177,
title = {RTN: Reinforced Transformer Network for Coronary CT Angiography Vessel-level Image Quality Assessment},
author = {Yiting Lu and Jun Fu and Xin Li and Wei Zhou and Sen Liu and Xinxin Zhang and Congfu Jia and Ying Liu and Zhibo Chen},
journal= {arXiv preprint arXiv:2207.06177},
year = {2022}
}
备注
To appear in MICCAI2022