arXiv cs.AI· Danial Moafi, Aida Moafi, Mostafa Aryafar, Ashkan Sami, Maryam Aryafar·· 13 小时前AI 评分20
利用预造影帧减影的自训练实现X射线血管造影跨中心冠状动脉血管分割
Self-training for cross-centre coronary vessel segmentation in X-ray angiography using pre-contrast frame subtraction
AI 导读
研究评估了用伪标签自训练提升X射线血管造影冠状动脉分割在外部中心数据上的表现，伪标签来自ARCADE训练的nnU-Net预测与预造影帧减影得到的对比图。在XCAD数据池上训练的模型将宏平均Dice分数提升2.7点（95% CI 2.3-3.2），而对照模型下降0.6点，第二轮自训练未带来进一步提升。
正文 · AI 翻译
摘要：用于 X 射线血管造影中冠状动脉血管分割的深度学习模型，在训练中未涉及的中心的数据上往往表现不佳。除了设备差异之外，最大的公开数据集（ARCADE）的标签也不完整，因为只标注了 SYNTAX 评分中定义的节段。在本研究中，我们评估了使用伪标签进行自训练能否在无需额外人工标注的情况下提升外部数据上的性能。伪标签由两个来源生成，即基于 ARCADE 训练的 nnU-Net 模型的预测，以及通过从同一序列中减去造影前帧得到的对比图。nnU-Net 的预测沿对比图进行扩展，仅在减影图像中检测到的像素被赋予忽略标签并从损失中排除。共训练了六个模型，并在 ARCADE 和两个外部数据集（XCAD 和 XACV）上进行了测试。所有以基线预测初始化的第一轮模型都优于基线和在相同轮数下微调的对照模型。在 XCAD 池上训练的模型将宏平均 Dice 分数提高了 2.7 分（95% CI 2.3-3.2），而对照模型则下降了 0.6 分。第二轮自训练没有带来进一步的提升。当使用在 50 张完全标注图像上训练的外部模型生成初始标签时，XCAD 的 Dice 分数从 0.623 提高到 0.745，且未使用任何 XCAD 标签，尽管由于遗漏了大型主血管，在 XACV 上的性能没有提升。这些结果表明，自训练的效果在很大程度上取决于用于生成初始伪标签的模型的灵敏度。
| 评论： | 7 页，2 幅图，3 张表 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.40302 [cs.CV] |
| （或 arXiv:2610.40302v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.40302 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Aida Moafi Moafi [查看邮箱]
[v1]
2026 年 10 月 29 日星期四 15:46:16 UTC（1,202 KB）
来源：arXiv cs.AI · arxiv.org