BSMNet:边界突出多分支网络用于在带超声图像中识别亲密介质
Guang-Quan Zhou1, Hao Wei2, Xiaoyi Wang3
1The School of Biological Science and Medical Engineering, Southeast University, Nanjing, China; Jiangsu Key Laboratory of Biomaterials and Devices, Southeast University, Nanjing, China; State Key Laboratory of Digital Medical Engineering, Southeast University, Nanjing, China.
这项研究介绍了BSMNet,这是一个新的深度学习网络,用于从超声波图像中精确测量动脉内膜介质厚度 (CIMT). 该方法提高了细分精度,有助于评估心血管疾病风险.
科学领域:
- 医疗成像医学成像
- 生物医学工程 生物医学工程
- 人工智能的人工智能
背景情况:
- 动脉内心介质厚度 (CIMT) 是心血管疾病风险的一个关键指标.
- 超声波成像是CIMT评估的标准,但由于图像噪声和不清楚的边界,细分很困难.
- 准确的CIMT测量对于系统性动脉疾病的早期检测和管理至关重要.
研究的目的:
- 开发一种自动化方法,用于精确的内膜-介质细分和厚度测量在带超声图像中.
- 在基于超声波的CIMT分析中解决边界模糊性和斑点噪声的挑战.
- 通过人工智能提高心血管健康评估的诊断能力.
主要方法:
- 提出了一个端到端的边界突出多分支网络 (BSMNet),结合了先前的形状知识和解剖学依赖.
- 利用并行线性结构学习模块和边界精细化模块进行强大的细分.
- 引入了带状注意力模型,带有异型内核,以改善细动脉壁区域的细分.
主要成果:
- 与现有的最先进的方法相比,BSMNet在动脉内膜-介质细分方面表现出卓越的性能.
- 在公司内部的动脉超声数据集上,在Dice和HD95指标上取得了大约0.02的改善.
- 条带注意力机制有效地加强了关键的薄条带区域的细分.
结论:
- 开发的BSMNet提供了一个有前途的解决方案,用于从超声波图像进行自动和准确的CIMT测量.
- 这一进步可以大大促进系统性动脉疾病的早期诊断和监测.
- 该方法有可能通过增强的超声波分析来改善心血管风险分层和患者管理.
更多相关视频
11:00A Model of Disturbed Flow-Induced Atherosclerosis in Mouse Carotid Artery by Partial Ligation and a Simple Method of RNA Isolation from Carotid Endothelium
Published on: June 22, 2010
08:42Ultrasound Assessment of Endothelial-Dependent Flow-Mediated Vasodilation of the Brachial Artery in Clinical Research
Published on: October 22, 2014
