利用半监督成像方法对心脏动态特性进行分类：基于电影磁共振成像（Cine MRI）的研究

《Machine Intelligence Research》：Cardiac Dynamic Characteristics Classification on Cine MRI Using Semi-supervised Imaging Approach

心脏病理分析采用双路径复制粘贴分割网络结合均值教师架构，利用少量标注数据和大量未标注数据实现知识迁移，通过提取MRI动态参数与心肌壁分割掩码融合，构建时间序列特征提升分类准确率。在ACDC数据集上，5%和10%标注率下的平均Dice系数分别达到87.85%和88.66%，分类准确率分别为97%和96%，优于传统半监督方法。

　　

摘要

利用图像特征分析心脏病理是一个复杂的过程，需要大量的标注数据。半监督学习只需要少量的标注数据和大量的未标注数据。然而，大多数半监督方法在心室分割以提取基于形状的信息方面不够稳健；因此，与监督学习相比，它们的分割精度有限。为此，我们提出了一种基于“平均教师”架构的双路径复制粘贴分割网络，该网络可以从标注图像中学习知识，并以双路径学习的方式将其转移到未标注图像中。这有效地减少了经验数据分布的差距，并从标注数据中双向学习语义信息，以提取基于形状的特征。我们还从同一切片的两张输入图像帧（2D+）中提取了运动参数，这些图像来自电影磁共振成像（MRI）。之后，我们将心肌壁的分割掩膜和运动参数融合起来，生成用于心脏病理分类的时间序列的动态特征。在评估中，我们使用自动心脏诊断挑战（ACDC）数据集将我们的方法与最先进的半监督方法进行了比较。我们分别评估了5%和10%两种不同的标注数据比例。我们的方法取得了令人印象深刻的结果，在这些条件下平均Dice分数分别为87.85%和88.66%。此外，我们的模型在训练集上的分类准确率为97%，在测试集上为96%。所提出的方法是端到端训练的，展示了在临床环境中从电影MRI自动进行心脏病理分类的通用框架。