在X射线图像中基于高分辨率特征的中央静脉导管尖端检测网络
Yuhan Wang1, Hak Keung Lam1, Zeng-Guang Hou2
1Department of Engineering, King's College London, Strand, London, WC2R 2LS, United Kingdom.
Medical image analysis
|July 9, 2023
概括
这项研究引入了一个使用卷积神经网络 (CNN) 的AI框架,可以在X射线图像中自动检测中央静脉导管 (CVC) 尖端位置,提高精度并减少临床医生的工作量.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 中枢静脉导管 (CVC) 对于住院患者的药物输送至关重要.
- CVCs的错位可以导致严重的并发症,包括死亡.
- 目前的CVC尖端检测依赖于临床医生手动解释X射线图像,这是劳动密集的.
研究的目的:
- 开发一种自动化框架,用于在X射线图像中精确检测CVC尖端.
- 为了减少临床医生在识别CVC错位的工作量.
- 为了尽量减少 CVC 错位引起的并发症的发生.
主要方法:
- 一个基于卷积神经网络 (CNN) 的框架被设计出来,包含一个修改的HRNet,一个细分监督模块和一个解卷模块.
- 修改后的HRNet保留了高分辨率的功能,以便准确地定位.
- 分段监督和解卷模块增强了特征分辨率,并将CVC与其他结构区分开来.
主要成果:
- 拟议的框架在公开的CVC数据集上实现了4.11的平均像素误差.
- 性能明显优于三个比较方法:马氏方法,SRPE方法和LCM方法.
- 该算法在检测导管尖端位置方面表现出高精度.
结论:
- 开发的基于CNN的框架为X射线图像中精确的CVC尖端检测提供了一个有希望的自动化解决方案.
- 这项技术可以通过减少CVC错位相关的风险来提高患者的安全性.
- 该方法有可能简化放射学工作流程并提高诊断效率.
