HAMIL-QA：心房 LGE MRI 质量评估的多实例学习分层方法

HAMIL-QA: Hierarchical Approach to Multiple Instance Learning for Atrial LGE MRI Quality Assessment

摘要

背景： 通过高质量的 3D 晚期钆增强 （LGE） MRI 准确评估左心房纤维化对于心房颤动管理至关重要，但会受到患者移动和成像可变性等因素的阻碍。追求自动化 LGE MRI 质量评估对于提高诊断准确性、标准化评估和改善患者预后至关重要。由于专家注释的稀缺性、高计算成本以及需要在高度可变的图像中捕获细微的诊断细节，旨在自动化这一过程的深度学习模型面临着重大挑战。
目的： HAMIL-QA，这是一个多实例学习 （MIL） 框架，旨在克服这些障碍。
方法： HAMIL-QA 采用分层袋和子袋结构，允许在子袋内进行有针对性的分析，并在数量级别汇总见解。这种分层 MIL 方法减少了对大量注释的依赖，减轻了计算负载，并通过专注于诊断关键图像特征来确保临床相关的质量预测
结果： HAMIL-QA 在 LGE MRI 扫描数据集的准确性、AUROC 和 F1-Score 方面优于现有的 MIL 方法和传统的监督方法，证明了它作为 LGE MRI 质量评估自动化的可扩展解决方案的潜力。
代码地址

方法

图 1.模型概述。从 LGE MRI 扫描中随机选择 M 轴向切片（以 4 个为例），将每个切片视为一个单独的子袋。然后，我们从每个切片中提取随机裁剪的patch。这些子袋最初由 sub-bag 模块处理。随后，sub-bag 模块的输出用于生成特征向量，然后将其输入到 bag 模块中。请务必注意，在训练阶段，袋子的真值标签在子袋子模块和袋子模块中保持一致。

实验结果