动脉样硬化斑块组织分类使用基于自我注意的条件变异自编码器生成对抗网络使用OCT斑块图像
Kowsalyadevi Jagadeesan1, Geetha Palanisamy2
1Research Scholar, Department of Computer Science and Engineering, College of Engineering Guindy, Anna University, Chennai, Tamil Nadu, India.
一种新的AI方法APC-OCTPI-SACVAGAN准确地从OCT图像中分类动脉样硬化斑. 这种自动化方法提高了心脏病学中的诊断准确性和效率,减少了斑块识别中的错误.
科学领域:
- 心血管成像 - 心血管成像
- 人工智能在医学中的应用
- 医学图像分析 医学图像分析
背景情况:
- 冠状动脉疾病 (CAD) 涉及动脉样硬化,其特点是动脉壁中积聚斑块.
- 光学连贯断层扫描 (OCT) 是一种高分辨率的成像技术,由心脏病专家用于可视化冠心内斑块.
- 手动解读OCT图像是耗时的,主观的,容易引起观察者之间的变化,阻碍了广泛采用和增加诊断错误.
研究的目的:
- 开发一种自动化方法,从OCT图像中准确分类动脉样硬化斑块组织.
- 提高诊断效用,减少与基于OCT的斑块分析相关的错误.
- 引入一种新的深度学习框架,以改善心血管疾病的诊断.
主要方法:
- 一个基于自我注意的条件变化的自编码器生成对抗网络 (APC-OCTPI-SACVAGAN) 已被开发用于斑块组织的分类.
- 该APC-OCTPI-SACVAGAN模型是在MATLAB中训练和执行的.
- 该方法将OCT图像分为五类:纤维结石斑,纤维动脉瘤,血栓,纤维斑和微血管.
主要成果:
- 与现有技术相比,APC-OCTPI-SACVAGAN方法表现出优越的性能.
- 实现了较高的准确率,分别为16.19%,17.93%,19.81%和1.57%.
- 显示了改善的曲线下面面积 (AUC) 值 (16.92%,11.54%,5.29%和1.946%) 和显著减少的计算时间 (28.06%39.185%更低).
结论:
- 使用APC-OCTPI-SACVAGAN进行动脉样硬化斑块的自动分类,在OCT图像分析方面取得了重大进展.
- 这种由人工智能驱动的方法有可能增加OCT的临床采用率,并减少诊断错误.
- 拟议的方法为心血管成像中精确的斑块表征提供了强大而高效的解决方案.
更多相关视频
07:36Induction of Atherosclerotic Plaques Through Activation of Mineralocorticoid Receptors in Apolipoprotein E-deficient Mice
Published on: September 26, 2018
07:57Imaging and Analysis of Oil Red O-Stained Whole Aorta Lesions in an Aneurysm Hyperlipidemia Mouse Model
Published on: May 2, 2022
相关概念视频
Atherosclerosis I: Introduction
Coronary Artery Disease II: Pathophysiology
Atherosclerosis III: Management
Atherosclerosis II: Clinical Manifestations and Diagnostic Tests
Inflammation
Coronary Artery Disease I: Introduction
