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
打打应助不吃别夹采纳,获得10
4秒前
我和你完成签到 ,获得积分10
11秒前
15秒前
木南大宝完成签到 ,获得积分10
25秒前
美好乐松完成签到,获得积分10
26秒前
shidandan完成签到 ,获得积分10
35秒前
阳光的凝冬完成签到 ,获得积分10
45秒前
Herbs完成签到 ,获得积分10
46秒前
落寞醉易完成签到 ,获得积分10
46秒前
ewind完成签到 ,获得积分10
54秒前
leaf完成签到 ,获得积分10
56秒前
gmc完成签到 ,获得积分10
59秒前
xaopng完成签到,获得积分10
1分钟前
缓慢的微笑完成签到 ,获得积分10
1分钟前
xtutang完成签到 ,获得积分10
1分钟前
chenbin完成签到,获得积分10
1分钟前
陈米花完成签到,获得积分10
1分钟前
yyjl31完成签到,获得积分10
1分钟前
Simon_chat完成签到,获得积分10
1分钟前
穆一手完成签到 ,获得积分10
1分钟前
吐司炸弹完成签到,获得积分10
1分钟前
mayfly完成签到,获得积分10
1分钟前
大大蕾完成签到 ,获得积分10
1分钟前
XC完成签到 ,获得积分10
1分钟前
潘fujun完成签到 ,获得积分10
2分钟前
飞云完成签到 ,获得积分10
2分钟前
乒坛巨人完成签到 ,获得积分10
2分钟前
正直的松鼠完成签到 ,获得积分10
2分钟前
陶瓷完成签到 ,获得积分10
2分钟前
2分钟前
高不二发布了新的文献求助20
2分钟前
lilylwy完成签到 ,获得积分10
2分钟前
carrot完成签到 ,获得积分10
2分钟前
xianyaoz完成签到 ,获得积分10
2分钟前
浚稚完成签到 ,获得积分10
2分钟前
科研通AI2S应助rengar采纳,获得10
3分钟前
回首不再是少年完成签到,获得积分0
3分钟前
rengar完成签到,获得积分10
3分钟前
郑先生完成签到 ,获得积分10
3分钟前
DaYongDan完成签到 ,获得积分10
3分钟前
高分求助中
Sustainability in Tides Chemistry 2000
Microlepidoptera Palaearctica, Volumes 1 and 3 - 13 (12-Volume Set) [German] 1122
Дружба 友好报 (1957-1958) 1000
The Data Economy: Tools and Applications 1000
Mantiden - Faszinierende Lauerjäger – Buch gebraucht kaufen 700
PraxisRatgeber Mantiden., faszinierende Lauerjäger. – Buch gebraucht kaufe 700
A Dissection Guide & Atlas to the Rabbit 600
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 3099800
求助须知:如何正确求助?哪些是违规求助? 2751277
关于积分的说明 7612198
捐赠科研通 2403062
什么是DOI,文献DOI怎么找? 1275162
科研通“疑难数据库(出版商)”最低求助积分说明 616276
版权声明 599053