[论文解读] Automatic detection of lumen and media in the IVUS images using U-Net with VGG16 Encoder
本文提出将 VGG16-UNet 架构用于分割 IVUS 图像中的腔内和中膜，并显示带有数据增强的深度学习相较于简单的 U-Net 能提高分割精度。
Coronary heart disease is one of the top rank leading cause of mortality in the world which can be because of plaque burden inside the arteries. Intravascular Ultrasound (IVUS) has been recognized as power- ful imaging technology which captures the real time and high resolution images of the coronary arteries and can be used for the analysis of these plaques. The IVUS segmentation involves the extraction of two arterial walls components namely, lumen and media. In this paper, we investi- gate the effectiveness of Convolutional Neural Networks including U-Net to segment ultrasound scans of arteries. In particular, the proposed seg- mentation network was built based on the the U-Net with the VGG16 encoder. Experiments were done for evaluating the proposed segmen- tation architecture which show promising quantitative and qualitative results.
研究动机与目标
- 推动准确的 IVUS 腔内与中膜分割以辅助斑块分析和心血管风险评估。
- 研究用于 IVUS 分割的深度学习结构，聚焦于带有 VGG16 编码器的 U-Net 变体。
- 评估数据增强对在公开 IVUS 数据集上分割性能的影响。
提出的方法
- 采用带有 VGG16 编码器的 U‑Net 风格架构（VGG16‑UNet）进行像素级分割。
- 使用来自 VGG16 的五个编码器块与五个对应的解码器块并设有跳跃连接。
- 以 Dice 损失进行训练，并使用 Dice 相似性和 Jaccard（IoU）作为评估指标。
- 应用数据增强（水平/垂直翻转、宽度/高度平移、旋转）来扩增训练集。
- 对三种模型进行比较：简单 U‑Net、未进行数据增强的 VGG16‑UNet，以及带数据增强的 VGG16‑UNet。
实验结果
研究问题
- RQ1与简单 U‑Net 相比，带有 VGG16 编码器的 U‑Net 是否能改善 IVUS 图像的腔内与中膜分割？
- RQ2数据增强是否显著提升对伪影敏感的 IVUS 数据的泛化和分割精度？
- RQ3在公开的 IVUS 数据集上，所提 VGG16‑UNet 结合增强相对于基线在 Dice、Jaccard 的量化增益是多少？
主要发现
- 带数据增强的 VGG16‑UNet 取得最佳分割性能，平均 Jaccard 为 0.695（腔内）和 0.741（中膜），平均 Dice 为 0.813（腔内）和 0.839（中膜）。
- 简单的 U‑Net 在噪声/伪影较多的 IVUS 图像上表现不佳，劣于深度架构。
- 未进行增强的 VGG16‑UNet 相较于简单 U‑Net 有所改进，但对伪影仍较敏感；而增强显著提升了准确性与泛化能力。
- 对 326 张测试图像的推断时间不足 30 秒，显示其在临床流水线中的实际可行性。
- 研究表明，在针对于 IVUS 分割的深层网络在数据得到有效增强时可获得良好表现，且编码器预训练于自然图像的深层网络在 IVUS 分割中具备潜力。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。