一种基于贝叶斯优化的加权模糊排序集成方法,用于X射线血管造影中的冠状动脉狭窄检测

《Journal of Imaging Informatics in Medicine》:A Bayesian-Optimized Weighted Fuzzy Rank-Based Ensemble for Coronary Stenosis Detection in X-ray Angiography

【字体: 大 中 小 】 时间:2026年10月11日 来源:Journal of Imaging Informatics in Medicine 3.1

编辑推荐:

  摘要X射线冠状动脉造影是诊断冠状动脉疾病的黄金标准,而冠状动脉疾病是全球死亡率的主要原因之一。现有的人工智能方法通常通过单个帧来检测狭窄情况,或者依赖于手动选择的关键帧进行检测,尽管冠状动脉造影本质上是一种基于视频的检查方法,其中具有诊断意义的信息仅出现在部分帧中。此外,传统的集

  

摘要

X射线冠状动脉造影是诊断冠状动脉疾病的黄金标准,而冠状动脉疾病是全球死亡率的主要原因之一。现有的人工智能方法通常通过单个帧来检测狭窄情况,或者依赖于手动选择的关键帧进行检测,尽管冠状动脉造影本质上是一种基于视频的检查方法,其中具有诊断意义的信息仅出现在部分帧中。此外,传统的集成方法通常使用固定的分类器权重,这限制了它们对不确定性和分类器性能变化的处理能力。为了解决这些挑战,我们提出了一个框架,该框架结合了自动关键帧选择和一种新的基于加权模糊等级的集成模型,用于检测右冠状动脉(RCA)的狭窄。该框架采用半监督的关键帧选择策略,使用ResNet50或ViT-B/16作为特征提取器,并结合了一种混合损失函数进行血管分割。选定的关键帧随后使用基于加权模糊等级的集成模型进行分类,该方法通过贝叶斯优化优化了可学习的分类器权重,从而扩展了传统的基于模糊等级的融合方法。通过在关键帧分类上应用多数投票,可以获得视频级别的预测结果,从而实现具有临床意义的序列级评估。所提出的方法在公开可用的AngioCAD数据集上进行了评估,并在独立的CADICA数据集上进一步进行了验证。实验结果显示,在AngioCAD数据集上,该方法的视频级别精度为84.63%,F1分数为80.44%,ROC-AUC为70.06%,PR-AUC为81.83%;同时在外部数据集上也保持了稳定的性能,表明其具有良好的泛化能力。所提出的框架可以帮助心脏病专家快速可靠地识别冠状动脉狭窄,并支持临床决策。

X射线冠状动脉造影是诊断冠状动脉疾病的黄金标准,而冠状动脉疾病是全球死亡率的主要原因之一。现有的人工智能方法通常通过单个帧来检测狭窄情况,或者依赖于手动选择的关键帧进行检测,尽管冠状动脉造影本质上是一种基于视频的检查方法,其中具有诊断意义的信息仅出现在部分帧中。此外,传统的集成方法通常使用固定的分类器权重,这限制了它们对不确定性和分类器性能变化的处理能力。为了解决这些挑战,我们提出了一个框架,该框架结合了自动关键帧选择和一种新的基于加权模糊等级的集成模型,用于检测右冠状动脉(RCA)的狭窄。该框架采用半监督的关键帧选择策略,使用ResNet50或ViT-B/16作为特征提取器,并结合了一种混合损失函数进行血管分割。选定的关键帧随后使用基于加权模糊等级的集成模型进行分类,该方法通过贝叶斯优化优化了可学习的分类器权重,从而扩展了传统的基于模糊等级的融合方法。通过在关键帧分类上应用多数投票,可以获得视频级别的预测结果,从而实现具有临床意义的序列级评估。所提出的方法在公开可用的AngioCAD数据集上进行了评估,并在独立的CADICA数据集上进一步进行了验证。实验结果显示,在AngioCAD数据集上,该方法的视频级别精度为84.63%,F1分数为80.44%,ROC-AUC为70.06%,PR-AUC为81.83%;同时在外部数据集上也保持了稳定的性能,表明其具有良好的泛化能力。所提出的框架可以帮助心脏病学家快速可靠地识别冠状动脉狭窄,并支持临床决策。

相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号