PricoMS：基于先验协调多尺度合成的自监督血管内超声图像血管分割方法

《Knowledge-Based Systems》：PricoMS: Prior-coordinated Multiscale Synthesis Network for Self-supervised–Aided Vessel Segmentation in Intravascular Ultrasound Image Amidst Label Scarcity

本文提出PricoMS（先验协调多尺度合成网络），通过先验一致性范式（PCP）、分层上下文合成（HCS）模块和自适应形态融合-上下文空间编码（AMF-CSE）模块，在标注数据稀缺条件下实现血管内超声（IVUS）图像的高精度分割。该网络采用自监督学习充分利用未标注数据，对电子噪声、斑点噪声和声学散射等成像伪影具有鲁棒性，在腔膜（lumen）和外弹性膜（EEM）边界检测中分别达到95.2%和84.0%的Dice分数，为冠状动脉疾病诊疗提供新方案。

　　

¹血管分割

多项研究已证实自动分割的可行性。?i?ek等人提出的3D-UNet模型广泛应用于头颈部CT血管造影（CTA）图像分割[6]。该模型采用解剖结构感知的3D卷积神经网络处理大尺寸图像块，实现自动分割重建与全面血管特征提取，但其计算资源需求大且对图像质量敏感。Wu等人的研究...

²方法学

如前所述，由于固有噪声和成像伪影，IVUS分析颇具挑战性。我们提出一种专为IVUS图像定制的自监督分割网络，模型结构如图2所示。为缓解通用深度学习分割对大规模高质量训练数据的依赖，本网络采用自监督学习方案，首先利用未标注数据训练有效模型...

³NIRS-IVUS数据集

为系统评估网络性能，我们比较了13种方法与本方法的实验结果。研究纳入题为"评估CT冠状动脉造影在评估冠状动脉形态和功能中的有效性"（NCT03556644）[25]的IVUS数据，该研究招募70例接受三支血管近红外光谱（NIRS）-IVUS成像和CT冠状动脉造影的患者，旨在比较...

⁴结论

为解决无需大型标注数据集的IVUS分割重大挑战，本文提出PricoMS网络——一种创新的腔膜和外弹性膜边界检测方法。该网络整合PCP、HCS模块和AMF-CSE模块，通过协同工作增强特征学习与分割能力。通过引入深度方向特征，网络进一步捕捉复杂结构细节，最终实现...