Partial Vessels Annotation-Based Coronary Artery Segmentation with Self-training and Prototype Learning
摘要
冠状动脉计算机断层扫描血管造影 (CCTA) 图像上的冠状动脉分割对于临床应用至关重要。由于需要专业知识和劳动密集型的注释过程,对相关标签高效学习算法的需求不断增长。
本文提出了
- 基于冠状动脉分割的挑战和临床诊断特征的部分血管注释(PVA)。
- 一种渐进式弱监督学习框架,以实现PVA下的准确分割。
首先,提出的框架学习血管的局部特征,将知识传播到未标记的区域。随后,它利用传播的知识学习全局结构,并纠正传播过程中引入的错误。最后,它利用特征嵌入和特征原型之间的相似性来增强测试输出。
代码地址
本文方法
图 1.赋予动机。(a)和(b)显示了冠状动脉分割的两个挑战,而(c)显示了根据挑战提出的部分血管注释(PVA)。a) 冠状动脉边界模糊,靶区分散。b) 冠状动脉具有复杂的整体拓扑结构,但局部特征相似。c) 部分容器注释(红色)标记的区域少于完整注释(整体)。
提出的局部血管注释(PVA)框架分两个阶段工作。
1)LFE阶段从局部PVA中提取和学习体素特征。在学习过程之后,它会在训练集上进行推断,将学到的知识传播到未标记的区域,其输出与 PVA 标签集成以初始化伪标签。
2)GSR阶段利用伪标签进行自我训练,并利用预测一致性来改进伪标签。
还设计了一个自适应标签传播单元(LPU)和一个可学习的即插即用特征原型分析(FPA)模块。
LPU 初始化和更新伪标签;FPA 模块在测试前学习,并在测试期间改进最终输出。
实验结果