用于心外膜脂肪组织分割的不确定性驱动与对抗校准学习
图像与视频处理
2024-02-26 v2 计算机视觉与模式识别
机器学习
摘要
心外膜脂肪组织（EAT）是一种内脏脂肪，可分泌大量脂肪因子从而影响心肌和冠状动脉。EAT 的体积和密度可用作独立的风险标志物；通过非侵入性磁共振图像测量体积是评估 EAT 的最佳方法。然而，由于 EAT 与心包积液之间的对比度低以及运动伪影的存在，分割 EAT 具有挑战性。我们提出了一种新颖的特征潜在空间多级监督网络（SPDNet），结合不确定性驱动和对抗校准学习，以增强分割效果，从而实现更准确的 EAT 体积估算。该网络首先通过在特征潜在空间中将不确定性建模为高斯分布，解决开放医疗环境中因图像质量低或分布外导致的 EAT 边缘模糊问题，并利用其贝叶斯估计作为正则化约束来优化 SwinUNETR。其次，引入对抗训练策略来校准分割特征图，并考虑不确定性引导的预测分割与真实分割之间的多尺度特征差异，合成多尺度对抗损失直接提高了区分组织相似性的能力。在心脏公共 MRI 数据集（ACDC）和真实世界临床队列 EAT 数据集上的实验表明，所提网络优于主流模型，验证了不确定性驱动和对抗校准学习可用于为建模多尺度模糊性提供额外信息。
引用
@article{arxiv.2402.14349,
title = {Uncertainty-driven and Adversarial Calibration Learning for Epicardial Adipose Tissue Segmentation},
author = {Kai Zhao and Zhiming Liu and Jiaqi Liu and Jingbiao Zhou and Bihong Liao and Huifang Tang and Qiuyu Wang and Chunquan Li},
journal= {arXiv preprint arXiv:2402.14349},
year = {2024}
}
备注
13 pages,7 figuers