多序列 MR 图像的半监督学习与集成用于 carotid vessel wall 和 plaque 分割
摘要
对 carotid arteries（尤其是 plaques）进行分析在 multi-sequence Magnetic Resonance Imaging (MRI) 数据中对于评估 atherosclerosis 和 ischemic stroke 的风险至关重要。为了评估指标和 radiomic features，量化 atherosclerosis 的状态，准确分割至关重要。然而，plaques 的复杂形态以及 labeled data 的稀缺性构成了显著挑战。本文我们针对这些问题提出一种半监督深度学习方法，旨在有效集成 multi-sequence MRI 数据进行 carotid artery vessel wall 和 plaque 的分割。该算法包括两个网络：coarse localization 模型通过识别感兴趣区域由 some prior knowledge 关于 carotid arteries 位置和数量引导，随后是 fine segmentation 模型用于精确描绘 vessel walls 和 plaques。为有效整合不同 MRI sequence 之间互补信息，我们研究了 various fusion strategies 并引入 multi-level multi-sequence U-Net 架构。为解决 limited labeled data 和 carotid artery MRI 复杂性的挑战，我们提出一种半监督方法，通过 various input transformations 强制 consistency。我们的方法在 52 名患者（每位患者 5 种 MRI sequence）上进行评估。综合实验表明该方法有效，并强调 U-Net-based 架构中 fusion point 选择的作用。为验证结果的准确性，我们还包括基于 expert 的 model performance 评估。我们的发现突显了 fusion strategies 和半监督学习在数据受限 MRI 应用中提高 carotid artery 分割潜力。
引用
@article{arxiv.2507.07496,
title = {Semi-supervised learning and integration of multi-sequence MR-images for carotid vessel wall and plaque segmentation},
author = {Marie-Christine Pali and Christina Schwaiger and Malik Galijasevic and Valentin K. Ladenhauf and Stephanie Mangesius and Elke R. Gizewski},
journal= {arXiv preprint arXiv:2507.07496},
year = {2025}
}