基于自监督预训练与PEFT策略的Swin UNETR模型在X射线血管造影图像中冠状动脉狭窄检测研究

【编辑推荐】本研究创新性地采用2D Swin UNETR架构，结合自监督预训练(self-supervised pre-training)和参数高效调优策略(PEFT)，实现了X射线冠状动脉造影(XCA)图像中狭窄病变的精准检测。通过二元分割预处理和小片段消除后处理，模型Dice分数达0.5519，为临床CAD（冠状动脉疾病）诊断提供高效自动化解决方案。

　　

亮点回顾

相关研究工作

本节简要综述了冠状动脉狭窄检测的传统方法与深度学习进展。既往研究[35-37]多关注XCA图像中因狭窄导致的血管半径突变特征。

方法论

本研究提出基于2D Swin UNETR的创新架构，通过Swin Transformer[55]的注意力机制精准捕捉血管狭窄区域的细微结构特征。该模型采用分层Transformer编码器与对称卷积解码器，在保持空间分辨率的同时建立长程依赖关系。

自监督预训练阶段

采用图像修复任务(图6)[56]进行模型预训练，使Swin Transformer编码器能学习冠状动脉的基础解剖特征。通过随机遮蔽图像块并预测缺失内容，模型建立了对血管形态学的深层理解。

模型微调阶段

在标注数据上采用两种调优策略：

1. 1.

   全参数微调：优化所有层参数，Dice分数达0.5375

2. 2.

   适配器调优(PEFT)：仅更新适配器模块，Dice分数提升至0.5519，显著降低计算成本

狭窄检测增强技术

创新性引入：

• •

  血管二元分割预处理

• •

  基于解剖学的小片段消除后处理

• •

  标签平滑技术降低过拟合

数据集说明

预训练阶段整合三大数据集：

1. 1.

   CADICA数据集（42例患者）

2. 2.

   德黑兰Farhikhtegan医院1000例XCA影像

3. 3.

   ARCADE公开数据集

结果与讨论

模型在狭窄检测任务中表现出色：

• •

  精确度达0.82（适配器调优）

• •

  召回率0.79，显著优于MPSeg/YOLO-Angio等基线模型

• •

  计算效率提升40%，适合临床部署

结论

本研究证实，结合自监督学习与PEFT策略的2D Swin UNETR架构，能实现XCA图像中冠状动脉狭窄的高效检测，为CAD精准诊疗提供新范式。

作者贡献声明

Mehrshad Lalinia：研究设计/数据采集/论文撰写

Farshad Almasganj：理论指导/结果分析

Seyyed Ali Seyyedsalehi：方法论指导

利益冲突声明

作者声明无任何潜在利益冲突