Uncertainty-driven and Adversarial Calibration Learning for Epicardial Adipose Tissue Segmentation

要約

心外膜脂肪組織 (EAT) は内臓脂肪の一種で、大量のアディポカインを分泌して心筋や冠状動脈に影響を与える可能性があります。
EAT の体積と密度は独立したリスク マーカーとして使用できます。非侵襲的磁気共鳴画像による体積の測定は、EAT を評価する最良の方法です。
ただし、EAT と心膜液の間のコントラストが低く、モーションアーチファクトが存在するため、EAT をセグメント化することは困難です。
私たちは、より正確な EAT ボリューム推定のためにセグメンテーションを強化するために、不確実性主導型の敵対的キャリブレーション学習を備えた新しい機能の潜在空間マルチレベル監視ネットワーク (SPDNet) を提案します。
このネットワークはまず、ベイズ推定を正則化として使用し、特徴潜在空間内のガウス分布として不確実性をモデル化することで、オープンな医療環境における低品質または分布外の医療画像による EAT エッジのぼやけに対処します。
SwinUNETR を最適化するための制約。
次に、セグメンテーション特徴マップを調整し、不確実性ガイド付き予測セグメンテーションとグラウンド トゥルース セグメンテーションの間のマルチスケール特徴の違いを考慮するために、敵対的トレーニング戦略が導入されます。マルチスケールの敵対的損失を合成することで、類似性を識別する能力が直接向上します。
組織間。
心臓公開 MRI データセット (ACDC) と現実世界の臨床コホート EAT データセットの両方に関する実験では、提案されたネットワークが主流のモデルより優れていることが示され、不確実性主導型および敵対的キャリブレーション学習を使用してマルチスケールのモデリングに追加情報を提供できることが検証されました。
曖昧さ。

要約(オリジナル)

Epicardial adipose tissue (EAT) is a type of visceral fat that can secrete large amounts of adipokines to affect the myocardium and coronary arteries. EAT volume and density can be used as independent risk markers measurement of volume by noninvasive magnetic resonance images is the best method of assessing EAT. However, segmenting EAT is challenging due to the low contrast between EAT and pericardial effusion and the presence of motion artifacts. we propose a novel feature latent space multilevel supervision network (SPDNet) with uncertainty-driven and adversarial calibration learning to enhance segmentation for more accurate EAT volume estimation. The network first addresses the blurring of EAT edges due to the medical images in the open medical environments with low quality or out-of-distribution by modeling the uncertainty as a Gaussian distribution in the feature latent space, which using its Bayesian estimation as a regularization constraint to optimize SwinUNETR. Second, an adversarial training strategy is introduced to calibrate the segmentation feature map and consider the multi-scale feature differences between the uncertainty-guided predictive segmentation and the ground truth segmentation, synthesizing the multi-scale adversarial loss directly improves the ability to discriminate the similarity between organizations. Experiments on both the cardiac public MRI dataset (ACDC) and the real-world clinical cohort EAT dataset show that the proposed network outperforms mainstream models, validating that uncertainty-driven and adversarial calibration learning can be used to provide additional information for modeling multi-scale ambiguities.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google