基于GAN无监督操控的多任务SAR图像处理及其在血管内超声（IVUS）图像分割中的应用研究

本文提出了一种名为PricoMS的先验协调多尺度合成网络，旨在解决血管内超声（IVUS）图像在标签稀缺条件下的分割难题。该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，有效提升了在电子噪声、斑点噪声、运动伪影等干扰下对血管腔（lumen）和外弹性膜（EEM）边界的识别精度，其Dice分数分别达到95.2%和84.0%，为冠状动脉疾病的诊断与干预提供了高效的自动化分析工具。

　　

Highlight

本研究亮点在于提出了一种创新的自监督IVUS边界检测网络PricoMS，该网络在标签稀缺条件下仍能实现高精度血管腔与外弹性膜边界分割。

Vessel Segmentation

多项研究已证实自动分割的可行性。例如，?i?ek等人提出的3D-UNet模型虽能处理大图像块并实现自动分割，但计算资源需求高且对图像质量敏感。Wu等人的研究进一步...

Methodology

如前所述，由于固有噪声和成像伪影，IVUS分析颇具挑战性。为此，我们提出了一种专为IVUS图像设计的自监督分割网络，其结构如图2所示。为减轻对大规模高质量训练数据的依赖，我们的网络采用自监督学习方案，首先利用未标记数据训练一个有效模型，该模型随后为分割任务提供图像的先验特征。

NIRS-IVUS Datasets

为系统评估网络性能，我们比较了13种方法的结果。所使用的IVUS数据来自一项题为“评估计算机断层扫描冠状动脉造影在评估冠状动脉形态和功能方面的功效”的研究（NCT03556644），该研究招募了70名接受三血管近红外光谱（NIRS）-IVUS成像和CT冠状动脉造影的患者，旨在比较...

Conclusion

为解决无需大型标注数据集即可实现IVUS分割的重大挑战，本文介绍了PricoMS网络，这是一种用于血管腔和EEM边界检测的创新方法。所提出的网络整合了PCP、HCS模块和AMF-CSE模块，协同工作以增强特征学习和分割能力。通过融入深度方向特征，网络进一步捕捉了复杂的结构细节，最终实现了卓越的分割性能。