多尺度注意力网络用于骨盆骨折后活跃出血的多焦点细分
Yuyin Zhou1, David Dreizin2, Yingwei Li1
1The Johns Hopkins University.
Machine learning in medical imaging. MLMI (Workshop)
|July 3, 2023
概括
在创伤CT扫描中,动脉出血的自动细分对于患者护理至关重要. 一个新的多尺度注意网络 (MSAN) 显著提高了识别活动出血的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 在全球范围内,创伤是导致死亡的主要原因,骨盆骨折带来了重大风险.
- 在腹腔皮层创伤CT扫描中准确和快速评估活跃动脉出血对于患者的结果至关重要.
- 目前的细分方法受到复杂性和缺乏端到端优化的限制.
研究的目的:
- 开发可靠的,端到端的自动化细分网络,用于创伤CT扫描中的活跃出血.
- 为了应对可变对比度,大小,位置和多重出血焦点的挑战.
- 改进出血程度的客观测量,以加强临床决策.
主要方法:
- 介绍了多尺度注意网络 (MSAN),这是一个端到端的深度学习模型.
- 使用2D编码器提供全球上下文信息,以及针对不同目标尺寸的多尺度策略.
- 整合了用于功能改进的注意模块和用于3D信息集成的多视图机制.
主要成果:
- MSAN通过对比度增强的创伤CT扫描实现了活跃出血的自动细分.
- 该网络有效地处理出血焦点特征的变化.
- 与现有方法相比,MSAN在子相似系数 (DSC) 中显示出超过7%的显著改善.
结论:
- MSAN代表了创伤CT中自动化出血细分的新有效方法.
- 开发的网络有可能增强患者分拣,资源分配和及时干预.
- 这种自动化工具可以快速,客观地测量出血程度,帮助预测结果.
