《Biomedical Signal Processing and Control》:Hierarchical diffusion-guided consistency learning framework for knee anterior cruciate ligament classification
编辑推荐:
摘要膝关节磁共振成像(MRI)中前十字韧带(ACL)的分类具有挑战性,原因在于诊断证据分散在多个切面上,且解剖学监督往往稀疏。我们提出了一种三阶段层次化扩散引导的一致性学习框架,集成了全局多类别估计、锚点与残差分离以及残差内细化。每个私用病例使用一到四个专家标注的ACL掩膜来
摘要
膝关节磁共振成像(MRI)中前十字韧带(ACL)的分类具有挑战性,原因在于诊断证据分散在多个切面上,且解剖学监督往往稀疏。我们提出了一种三阶段层次化扩散引导的一致性学习框架,集成了全局多类别估计、锚点与残差分离以及残差内细化。每个私用病例使用一到四个专家标注的ACL掩膜来监督结构潜在表示;有限步扩散扰动-恢复机制建立了一致且可靠的训练目标,而感兴趣区域协同交互(RCI)将局部化证据注入分阶段表示中,可靠性感知的软集成则结合了全局与层次化预测。推理阶段无需迭代反向扩散采样。该框架在300例私用病例和四个公开数据集上进行了评估,采用数据集特定的五折交叉验证和六个外部迁移设置。在私用队列中,该方法达到了89.79 ± 0.45%的准确率和89.13 ± 0.27%的宏F1分数;在KneeMRI数据集上,分别为87.63 ± 1.08%和83.11 ± 1.16%,相较于最强基线分别提升了6.01和2.25个百分点,且在Holm校正后仍然显著。在五个数据集中,该方法在MRNet、KneeMRI和ACL-PCL上取得了最高准确率,在私用队列和KneeMRI上取得了最高宏F1分数,尽管并非在所有指标上均占优。外部迁移准确率和宏F1分数分别介于73.82%至85.25%和71.28%至84.46%之间。这些结果表明,在稀疏结构监督下该方法的疗效具有数据集依赖性,并强调了多中心验证和领域自适应研究的必要性。
引言
磁共振成像(MRI)是膝关节评估最重要的工具之一。近期研究表明,深度学习在解读膝关节MRI方面表现出色,无论是在前十字韧带(ACL)水平还是整个膝关节异常水平均如此 [1]。ACL专项研究进一步受益于切片标准化、局部特征注意力和切片选择策略,提高了利用体积证据的效率 [2], [3]。系统性证据也表明,基于AI的MRI ACL撕裂评估在明确定义的场景中可达到与专业放射科医生相当的性能 [4], [5]。早期基于OAI的研究通过种子预计算减少了膝关节软骨分割中的用户交互 [6];然而,当使用病例级标签和稀疏结构监督时,基于局部解剖证据的多类别ACL MRI分类仍鲜有探索。
基于感兴趣区域的ACL MRI分类面临的主要挑战在于,具有诊断价值的证据是局部化的,并分布在有限的切面上。ACL仅占膝关节MRI体积的一小部分,仅基于病例级标签进行分类可能使模型依赖弥散的背景模式而非ACL相关证据。多任务和感知解剖的研究表明,联合分割和分类可以引导模型关注临床相关的结构而非无关图像区域 [7], [8], [57]。然而,在ACL MRI中获得密集体积掩膜标注十分困难,使得稀疏ROI或掩膜监督更具实用性。近期的扩散引导和半监督分割研究表明,即使在标注有限的情况下,结构建模也可提供有用的语义引导 [9], [10], [65]。这些研究表明,稀疏结构线索不应被视为孤立的辅助输出,而可以转化为支持分类的结构感知先验。同时,ACL MRI分类是基于体积证据的病例级任务。近期关于医学影像中多实例学习的研究证实,患者级预测与稀疏实例级证据的聚合密切相关 [11]。更广泛的有限监督医学影像研究也强调,有限标注、弱标签和不稳定泛化仍然是开发可靠模型的重要挑战 [12]。因此,有效的ACL MRI分类框架不仅必须学习判别性图像特征,还必须将它们在涉及多切片证据和稀疏结构线索的统一分类过程中加以组织。
为应对这些局限性,我们提出了一种面向ACL相关膝关节MRI分类的层次化扩散引导一致性学习框架。该框架的创新不在于优化标准前向扩散公式或缩放点积注意力机制,而在于构建一条协调的信息通路,将通常独立处理的三个功能联系起来:全局到条件分类、从稀疏监督的结构表示中进行扰动-恢复学习,以及分阶段ROI和可靠性加权的结构证据传递。因此,稀疏解剖监督既连接到特征细化,也连接到最终的病例级决策集成,同时保持确定性的推理过程,无需迭代扩散采样。
本工作的主要贡献总结如下:
- •
我们提出了一种三阶段层次化分类框架,用于多类别ACL相关膝关节MRI分类。该框架通过概率归一化条件分解联合评估全局多类别证据、锚点与残差分离以及残差内细化,同时避免了阶段间不可逆的硬路由。
- •
我们引入了一种有限步扩散引导的一致性学习模块,将稀疏的专家结构标注转化为稳定的分类导向先验。通过噪声预测、解析清洁潜在恢复、特征级与预测级一致性以及结构可靠性学习,该模块利用了每个病例一到四个标注切片,而无需将掩膜在整个MRI体积上外推或插值。
- •
我们设计了一种分阶段ROI协同交互(RCI)和可靠性感知的决策融合机制。RCI模块将ROI定位的结构证据和空间可靠性注入层次化分类表示中;同时,病例级可靠性自适应地将无约束的全局预测与结构引导的层次化预测相结合,而无需依赖人工选择的置信度阈值。
- •
我们进行了超越传统数据集内分类范式的全面评估。实验包括在私用数据集和四个公开膝关节MRI数据集上的病例级五折验证,与四种多实例学习方法及近期ACL相关方法的比较,六个无目标域迁移设置,客观ROI定位和ACL为中心的干预分析,组件与机制消融分析,计算复杂度评估,以及损失函数、扩散模型和RCI配置的系统敏感性分析。
分章节摘要
有限数据下的医学分类
有限数据医学分类的研究旨在标签样本稀缺时学习鲁棒的决策边界。近期研究已超越直接复用通用流水线,开始根据医学数据的特征(如队列有限、标注成本高昂以及具有临床意义的先验)来调整学习策略。Lv等人提出了一种面向有限标签条件下医学图像分类的无监督元学习框架。他们的结果表明
方法论
该框架由一条主分类通路和一条辅助结构一致性通路组成。给定一个膝关节MRI体积,共享编码器首先生成两条通路的的多尺度图像特征。如图1(a)所示,在主通路中,阶段I生成覆盖整个任务特定标签空间的全局概率分布。阶段II建模预定义锚点类别与其互补残差组之间的边界,而阶段III细化条件
数据集
实验在一个私用ACL数据集和四个公开膝关节MRI数据集(OAI、MRNet、KneeMRI和ACL-PCL)上进行。由于这些数据集在采集来源、诊断类别、标注格式和评估单位方面存在差异,因此进行独立评估而非合并为单一队列。
结论
本研究开发了一种三阶段层次化扩散引导一致性学习框架,将全局和条件ACL分类联系起来,集成了稀疏解剖监督、ROI引导交互和可靠性感知的软决策集成。在包含300例私用队列和四个公开数据集上的受试者或检查级五折评估中,私用队列达到了89.79 ± 0.45%的准确率和89.13 ± 0.27%的宏F1分数。经过Holm校正后,准确率与
CRediT作者贡献声明
米汉昌: 撰写 – 初稿,可视化,验证,方法论,调查,概念化。甘洪生: 撰写 – 初稿,监督,项目管理,方法论,调查,概念化。马恒杰: 撰写 – 初稿,验证,软件,调查,形式化分析。Ozgur Tosun: 撰写 – 审阅与编辑,可视化,软件,资源,概念化。Atakan Bayir: 验证,资源,调查,数据整理。Ozge
利益冲突声明
作者声明,他们没有已知可能影响本论文所报告工作的竞争性经济利益或个人关系。
致谢
所有作者感谢西交利物浦大学研究基金(RDF)(编号:RDF-22-02-042)、土耳其科学和技术研究委员会(TUBITAK)访问科学家奖学金(编号 TBT-02-220-88192)以及西交利物浦大学X3合资(X3CV)创新创业支持基金的资助。
Hancang Mi|Hong Seng Gan|Hengjie Ma|Ozgur Tosun|Atakan Bayir|Ozge Ertem|Kazim Ayberk Sinci|Ilker Ozgur Koska|Muhammad Hanif Ramlee