MBR-Net:基于超声波反散信号的多分支残留网络,用于表征儿科肝硬化症
Qian Wang1, Ming-Wei Lai2, Guangyu Bin1
1Department of Biomedical Engineering, Faculty of Environment and Life, Beijing University of Technology, Beijing, China.
Ultrasonics
|July 23, 2023
概括
一个新的深度学习模型,MBR-Net,有效地使用超声波信号来表征儿科肝硬化症. 这种先进的方法在儿童早期脂肪肝检测方面显示出高准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 儿科 儿科 儿科
背景情况:
- 儿科肝硬化症,或儿童脂肪肝,需要早期检测才能有效管理.
- 准确的非侵入性诊断工具对于评估儿科脂肪肝疾病的严重程度至关重要.
研究的目的:
- 提出一种深度学习模型,MBR-Net,用于使用超声波反散信号来表征儿科肝硬化症.
- 评估MBR-Net与传统卷积神经网络 (CNN) 的性能.
主要方法:
- 一个多分支的残余网络 (MBR-Net) 被开发使用三个卷积分支与不同的卷积块大小.
- 分析了来自131名儿童的超声波反射信号,肝硬化指数作为诊断标准.
- 在模型训练和验证之前,数据增强和滑门方法用于信号处理.
主要成果:
- MBR-Net实现了高性能指标,包括AUC为0.94 (≥G1),0.93 (≥G2) 和0.93 (≥G3).
- 与传统的单分支CNN相比,该模型显示出更高的精度,灵敏度和特异性.
- 诊断等级≥G1,≥G2和≥G3的特定性能包括分别93.65%,90.48%和87.76%的准确性.
结论:
- MBR-Net 提供了一种有前途的深度学习方法,用于分析超声波信号以表征儿科肝硬化症.
- 这种方法在儿童脂肪肝疾病的早期检测和分级方面提供了潜在的进步.
- 这些发现表明MBR-Net作为儿科肝病诊断中的新工具的实用性.
