一个深度学习框架用于检测大脑血液流动速度的异常,使用跨骨多普勒超声波
Naima Nasrin Nisha1, Kanchon Kanti Podder1, Muhammad E H Chowdhury2
1Department of Biomedical Physics & Technology, University of Dhaka, Dhaka 1000, Bangladesh.
Diagnostics (Basel, Switzerland)
|June 28, 2023
概括
这项研究引入了一种新的深度学习模型,Self-ResAttentioNet18,用于使用超波普勒 (TCD) 超声波早期检测神经疾病. 该模型准确地对脑血流速度波形进行分类,有助于区分健康患者和重症患者.
科学领域:
- 生物医学工程 生物医学工程
- 神经科学是一个神经科学.
- 人工智能的人工智能
背景情况:
- 跨骨多普勒 (TCD) 超声波非侵入性监测大脑血流速度 (CBFV).
- 改变的CBFV可能表明神经疾病,需要早期检测.
- 在TCD中信号质量取决于运营商,这给准确的分类带来了挑战.
研究的目的:
- 开发和验证用于早期发现神经疾病的深度学习模型.
- 从TCD超声数据分类大脑血流速度波形.
- 为了区分健康受试者和患有神经临界疾病的人.
主要方法:
- 利用TCD超声数据库,包括健康和神经危急患者中脑动脉 (MCA) 的信号.
- 提出了一个基于自组织操作神经网络 (Self-ONN) 的深度学习模型,Self-ResAttentioNet18.
- 在精心策划,清洁的生物医学信号上训练模型,以减轻噪音和偏差.
主要成果:
- 获得了96.05%的分类准确度,以区分健康和重症患者.
- 报告的高性能指标:精度 (96.06%),回忆 (96.05%),F1得分 (96.06%) 和特异性 (96.09%).
- 证明了卓越的诊断能力,ROC曲线下的面积 (AUC) 为0.99.
结论:
- Self-ResAttentioNet18模型显示了对MCA波形的可靠,近实时分类的高可行性.
- 这种深度学习方法为早期发现神经疾病提供了一种可靠的方法.
- 这项研究强调了人工智能在使用TCD超声波改善神经临界疾病诊断准确性的潜力.
