混合视觉变换器和集成机器学习框架：用于血管内超声成像中自动识别动脉粥样硬化斑块的分类方法

《Scientific Reports》：Hybrid vision transformer and ensemble machine learning framework for automated atherosclerotic plaque classification in intravascular ultrasound imaging

　　

摘要

在血管内超声（IVUS）成像中，动脉粥样硬化斑块的分类对于心血管疾病的诊断和治疗计划至关重要。本文提出了一种新颖的混合框架，该框架将视觉变换器（ViT）架构与传统机器学习方法相结合，以实现斑块的自动化分类。我们的三阶段集成系统利用了ViT的全局上下文理解能力以及基于Gabor滤波器的传统机器学习方法的局部纹理分析优势。该框架包括：（1）采用Mixup增强技术的ViT模型用于全局特征提取；（2）结合支持向量机（SVM）和随机森林（RF）分类器的Gabor滤波器组，用于基于纹理的分析；（3）一种加权集成方法，能够最优地结合两个阶段的预测结果。在包含3,867张IVUS图像的综合性数据集上进行评估，这些图像涵盖了三种斑块类型（轻度狭窄、狭窄和正常椎动脉），我们的混合框架取得了优异的性能，准确率为89.39%，F1分数为88.45%，显著优于各个单独的组件模型：ViT（79.12%）、Gabor-SVM（85.52%）和Gabor-RF（77.78%）。与已发表的IVUS斑块分类的最新方法进行全面比较后，证明了我们方法的有效性，我们的混合框架在性能上优于或可与现有的深度学习和传统机器学习方法相媲美，为IVUS斑块自动化分类树立了新的基准。该框架能够充分利用基于变换器的全局学习和传统纹理分析的互补优势，为临床心血管成像应用提供了可靠的解决方案。