MIL-CT:通过交叉尺度变压器进行多实例学习,用于增强动脉光反射检测

科学领域:

• 眼科和心血管医学.
• 医疗成像中的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 系统性动脉样硬化,是导致循环问题的原因,通常早期表现为增强的动脉光反射 (EALR).
• Fundus成像对于及时评估动脉样硬化至关重要,但缺乏用于大规模查的自动化方法.
• 在心底图像中早期检测动脉病变对于心血管疾病管理至关重要.

研究的目的:

• 引入一种新的自动化方法,MIL-CT,用于在 fundus 图像中检测早期动脉病变,如 EALR.
• 利用跨度变压器和多实例学习来增强视网膜损伤的特征提取和分类.
• 为了提高动脉样硬化查的准确性和效率,使用 fundus 图像分析.

主要方法:

• 开发了MIL-CT,这是一种基于跨尺度变压器的多实例学习方法,用于检测EALR.
• 采用交叉尺度视觉变压器进行多粒度视网膜特征提取.
• 集成了多头跨度注意力融合模块和多实例学习模块,以改进特征表示和损伤分类.
• 在一个大型 fundus 图像数据集上使用预训练的权重来进行有效的特征学习.

主要成果:

• 在EALR检测方面,MIL-CT实现了高性能,准确度 (97.62%),精度 (97.63%),灵敏度 (97.05%),特异性 (96.48%) 和F1得分 (97.62%).
• 该方法证明了减少了概括错误,并保持了对视网膜血管细节的有效关注.
• 在EALR检测准确度方面,MIL-CT超越了现有模型,这表明了显著的诊断增强.

结论:

• MIL-CT 方法在 fundus 图像中自动检测早期动脉病变方面取得了重大进展.
• 这种人工智能驱动的方法提高了对高血压和动脉样硬化等疾病的诊断准确性.
• MIL-CT显示了早期查心血管疾病的巨大潜力,改善了患者的治疗结果.