Multi-Expert Measurement-Aware Learning for Carotid Intima-Media Complex Segmentation and Thickness Quantification in Ultrasound Images
本文提出了一种多专家测量感知学习框架，该框架利用多个专家的标注和一种专门的损失函数，旨在同时提高超声图像中颈动脉内中膜复合体分割的准确度以及毫米级厚度量化的精度，从而有效减轻评分者间差异性的影响。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
将血液从心脏输送到大脑的动脉是至关重要的生命通道，保持这些通道畅通对于预防中风和心脏病至关重要。这些血管变得僵硬或阻塞的最早预警信号之一，是其内壁发生的细微增厚。医生可以使用超声波——一种利用声波创建人体图像的安全成像技术——观察到这种变化。在这些图像中，动脉壁的一个特定层（夹在血液与外部组织之间）呈现为一种薄薄的双线结构。测量这一层的厚度是评估一个人未来心血管问题风险的标准方法。然而，获得准确的测量值却出人意料地困难。图像通常很模糊，线条很微弱，甚至经过高度训练的专家也可能在边界的具体位置上产生分歧。当不同的医生观察同一张图片时，他们可能会描绘出略有不同的线条，从而导致不同的厚度数值。这种不一致性使得依靠自动化计算机系统来完成这项工作变得困难，因为计算机经常会被这些人为的差异所困扰。
中国陆军军医大学第二附属医院的研究人员致力于通过以一种全新的方式教计算机观察颈动脉超声图像来解决这一问题。他们并没有试图强迫计算机从某位医生的单次绘图中选出一个“正确”答案，而是构建了一个能够从三位不同专家的集体判断中学习的系统。在他们的研究中，他们使用了一个包含500张超声图像的数据集，其中三位不同的专家独立绘制了动脉壁的边界。团队意识到，简单地对这些绘图进行平均或选择其中一个作为真值，会丢失关于专家们在哪里存在分歧的有价值信息。因此，他们开发了一种学习框架，在训练过程中保持所有三位专家的意见处于活跃状态。这使得计算机能够学习所有专家都认同的动脉壁稳定、共享的特征，同时忽略每个人在描绘线条时产生的细微主观差异。
这项创新不仅限于观察动脉的形状。研究人员明白，最终目标不仅仅是画出一个完美的轮廓，而是获得以毫米为单位的精确厚度测量值。他们引入了一种特殊的训练规则，强制计算机根据专家绘图得出的实际厚度数值来检查自己的工作。如果计算机画出的形状看起来很好，但导致的厚度测量值错误，系统就会进行纠正。他们将这种方法称为“测量感知学习”，这确保了计算机是在针对最终的临床数值进行优化，而不仅仅是针对其绘图与参考图像的重合程度。通过将多位专家的智慧与对最终毫米级结果的关注相结合，该系统学会了比以往方法更有效地应对超声图像中的模糊性。
当团队测试他们的系统时，结果显示可靠性有了显著提高。计算机生成的厚度测量值与专家共识几乎完全一致，平均误差仅为 -0.0024 毫米。这意味着系统不会一致地高估或低估厚度，而这正是自动化工具常见的问题。此外，测量结果显示出与人类专家的高度一致性，统计得分达到 0.7268，表明该计算机可以像人类一样可靠地对患者进行风险等级排序。虽然该系统在绘制动脉轮廓的能力上与现有方法相当，但其提供可靠厚度数值的能力却更为优越。研究表明，通过尊重人类判断的自然变异并直接专注于测量目标，自动化工具可以变得更加可靠，从而投入临床使用。
研究人员承认，他们的工作是向前迈出的一步，但并非最终解决方案。他们在 500 张特定的图像集上测试了该方法，并指出未来的工作需要在不同的医院、使用不同的超声机以及更广泛的患者群体中验证这些发现。他们还指出，虽然该系统可以准确测量厚度，但仍需要进一步的研究来确认这些自动化测量在长期内对实际心脏病预后的预测能力如何。尽管如此，这项研究为实现更一致、更可靠的自动化颈动脉超声测量提供了一条切实可行的路径，将一项长期以来容易产生人为分歧的任务转变为一个更稳定、更客观的过程。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。