Partial Vessels Annotation-based Coronary Artery Segmentation with Self-training and Prototype Learning

要約

冠動脈コンピュータ断層撮影血管造影法 (CCTA) 画像上の冠動脈セグメンテーションは、臨床使用にとって非常に重要です。
専門知識が必要で労働集約的なアノテーション プロセスのため、関連するラベル効率の良い学習アルゴリズムに対する需要が高まっています。
この目的を達成するために、冠動脈セグメンテーションと臨床診断特性の課題に基づいて、部分血管アノテーション (PVA) を提案します。
さらに、PVA の下で正確なセグメンテーションを達成するための、漸進的な弱教師あり学習フレームワークを提案します。
まず、私たちが提案するフレームワークは船舶の局所的特徴を学習し、その知識をラベルのない領域に伝播します。
その後、伝播された知識を利用してグローバル構造を学習し、伝播プロセスで導入されたエラーを修正します。
最後に、機能の埋め込みと機能のプロトタイプ間の類似性を活用して、テストの出力を強化します。
臨床データの実験では、私たちが提案したフレームワークが PVA (血管 24.29%) の下で競合する方法よりも優れており、完全なアノテーション (血管 100%) を使用したベースライン モデルと体幹連続性において同等のパフォーマンスを達成していることが明らかになりました。

要約(オリジナル)

Coronary artery segmentation on coronary-computed tomography angiography (CCTA) images is crucial for clinical use. Due to the expertise-required and labor-intensive annotation process, there is a growing demand for the relevant label-efficient learning algorithms. To this end, we propose partial vessels annotation (PVA) based on the challenges of coronary artery segmentation and clinical diagnostic characteristics. Further, we propose a progressive weakly supervised learning framework to achieve accurate segmentation under PVA. First, our proposed framework learns the local features of vessels to propagate the knowledge to unlabeled regions. Subsequently, it learns the global structure by utilizing the propagated knowledge, and corrects the errors introduced in the propagation process. Finally, it leverages the similarity between feature embeddings and the feature prototype to enhance testing outputs. Experiments on clinical data reveals that our proposed framework outperforms the competing methods under PVA (24.29% vessels), and achieves comparable performance in trunk continuity with the baseline model using full annotation (100% vessels).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google