基于统计距离引导的无监督域适应用于自动化多类心血管磁共振图像质量评估
图像与视频处理
2024-09-04 v1
摘要
本研究提出了一种基于注意力机制的统计距离引导无监督域适应模型，用于多类心血管磁共振 (CMR) 图像质量评估。该模型由一个特征提取器、一个标签预测器和一个统计距离估计器组成。一个带标注的数据集作为源集，一个具有不同统计分布的无标注数据集作为目标集，两者均被视为输入。统计距离估计器在一个小批次中近似计算从源数据和目标数据提取的特征向量之间的 Wasserstein 距离。标签预测器预测源数据的标签，并使用一个组合损失函数进行训练，该函数包括交叉熵损失、中心损失以及距离估计器的估计值。使用四个数据集（包括图像和 k 空间数据）来评估所提出的模型在识别四种常见 CMR 成像伪影方面的能力：呼吸运动伪影、心脏运动伪影、吉布斯环状伪影和混叠伪影。大量实验结果表明，所提出的模型在图像和 k 空间分析中，都能在覆盖源集和目标集之间的域偏移方面表现出可接受的性能。模型可解释性评估和消融研究证实了模型所有模块的正常功能和有效性。所提出的模型在性能和检测伪影数量方面均优于先前的研究。由于其在覆盖域偏移方面的良好性能且无需繁琐的数据标注过程，该模型可用于 CMR 成像后质量控制或大规模队列研究中的图像和 k 空间质量评估。
引用
@article{arxiv.2409.00375,
title = {Statistical Distance-Guided Unsupervised Domain Adaptation for Automated Multi-Class Cardiovascular Magnetic Resonance Image Quality Assessment},
author = {Shahabedin Nabavi and Kian Anvari Hamedani and Mohsen Ebrahimi Moghaddam and Ahmad Ali Abin and Alejandro F. Frangi},
journal= {arXiv preprint arXiv:2409.00375},
year = {2024}
}