基于半监督协同训练的冠状动脉分割方法研究

作者：李靖尧; 李阳^*

来源：中国体视学与图像分析, 2023, 28(01): 77-85.

DOI：10.13505/j.1007-1482.2023.28.01.009

• 冠脉分割
• 半监督学习
• X射线造影
• 协同训练

目的 冠心病是全球范围内导致死亡的主要原因之一，冠脉造影是目前诊断冠心病的“金标准”。深度学习技术对造影图像中的冠脉分割可辅助医生进行临床诊断，由于现实中难以获得大量带标签造影数据，故考虑采用半监督学习进行分割。方法 本文基于协同训练的方法，结合分别基于卷积神经网络和Transformer的两大分割模型U-Net和MISSFormer,构建半监督冠脉分割模型，并在公开数据集XCAD上进行训练。结果 该模型相较于全监督训练的U-Net和MISSFormer,分割性能有较大提升，DSC分别提升2.87%和2.88%,ACC分别提升0.41%和0.44%,SE分别提升9.02%和3.44%,SP分别提升0.56%和0.12%,AUC分别提升4.26%和1.79%,与其他半监督分割方法相比，本文方法综合性能更好。结论 实验结果表明，本文有效利用了大量的无标签数据，通过协同训练的方法，将卷积神经网络与Transformer的优势互补，从而提高了分割的精度，改善了分割的效果。

• 单位
  北京航空航天大学