Positive-unlabeled learning for coronary artery segmentation in CCTA images

分割 计算机科学 体素 人工智能 推论 冠状动脉 模式识别(心理学) 动脉 基本事实 医学 内科学
作者
Fei Chen,Sulei Li,Chen Wei,Yue Zhang,Kaitai Guo,Zheng Yang,Feng Cao,Jimin Liang
出处
期刊:Biomedical Signal Processing and Control [Elsevier]
卷期号:87: 105473-105473 被引量:1
标识
DOI:10.1016/j.bspc.2023.105473
摘要

Accurate three-dimensional (3D) segmentation of the coronary artery is an essential step in the quantitative analysis of the coronary arteries. However, due to the small size and complex morphology of the coronary arteries, voxel-by-voxel labeling of the complete coronary artery in 3D computed coronary tomography angiography images is both difficult and laborious. To alleviate the workload of annotating, it is possible to randomly label only a fraction of the positive samples and leave all remaining instances unlabeled, known as the positive-unlabeled (PU) learning problem. Due to the presence of coronary artery-like structures and the absence of negative annotations, we propose a novel sample-selection-based PU learning method for coronary artery segmentation. Specifically, only pseudo-negative labels (PNLs) are generated during the self-training process, and all data are further exploited implicitly using the teacher–student (TS) framework. To address the difficulty of detecting tiny coronary artery branches, we propose a post-processing method by exploiting the variance of multi-scale features in the inference stage. Extensive experiments were conducted on a self-constructed dataset and the publicly available ASOCA dataset. The results demonstrate that our proposed method performs better than baseline supervised and state-of-the-art PU learning methods. Notably, even in extreme cases where more than 80% of annotations are missing, our method still achieves significant gains. When the proportion of missing annotations is relatively low, our method even outperforms the backbone trained with ground truth annotations.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
飞翔的企鹅完成签到,获得积分10
3秒前
瓦罐完成签到 ,获得积分10
7秒前
cuicy完成签到 ,获得积分10
15秒前
快乐的完成签到 ,获得积分10
19秒前
23秒前
成就的绮烟完成签到 ,获得积分10
33秒前
风起枫落完成签到 ,获得积分10
33秒前
有机发布了新的文献求助10
33秒前
动听安筠完成签到 ,获得积分10
42秒前
田雨完成签到 ,获得积分0
42秒前
万能图书馆应助Lily采纳,获得10
44秒前
Milton_z完成签到 ,获得积分10
53秒前
wyw完成签到 ,获得积分10
1分钟前
jmsd完成签到 ,获得积分10
1分钟前
轩辕白竹完成签到,获得积分10
1分钟前
芝诺的乌龟完成签到 ,获得积分0
1分钟前
1分钟前
旧雨新知完成签到 ,获得积分10
1分钟前
叶痕TNT完成签到 ,获得积分10
1分钟前
1分钟前
qiuhx1053完成签到 ,获得积分10
1分钟前
1分钟前
isedu完成签到,获得积分10
1分钟前
俞无声完成签到 ,获得积分10
1分钟前
001完成签到 ,获得积分10
1分钟前
Jonsnow完成签到 ,获得积分10
1分钟前
1分钟前
Lily发布了新的文献求助10
2分钟前
victory_liu完成签到,获得积分10
2分钟前
安静严青完成签到 ,获得积分10
2分钟前
66完成签到,获得积分10
2分钟前
2分钟前
loren313完成签到,获得积分0
2分钟前
大大蕾完成签到 ,获得积分10
2分钟前
苏书白完成签到 ,获得积分10
2分钟前
六等于三二一完成签到 ,获得积分10
2分钟前
2分钟前
XMUZH完成签到 ,获得积分10
2分钟前
开心夏旋完成签到 ,获得积分10
2分钟前
如意的馒头完成签到 ,获得积分10
2分钟前
高分求助中
Evolution 10000
Distribution Dependent Stochastic Differential Equations 500
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
A new species of Velataspis (Hemiptera Coccoidea Diaspididae) from tea in Assam 500
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 500
Die Gottesanbeterin: Mantis religiosa: 656 400
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 400
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3158663
求助须知:如何正确求助?哪些是违规求助? 2809828
关于积分的说明 7883769
捐赠科研通 2468539
什么是DOI,文献DOI怎么找? 1314323
科研通“疑难数据库(出版商)”最低求助积分说明 630582
版权声明 601983