深度学习辅助的分类的光谱光声成像的状腺斑块
Camilo Cano1, Nastaran Mohammadian Rad2,1, Amir Gholampour1
1Department of Biomedical Engineering, Eindhoven University of Technology, De Rondom 70, Eindhoven, the Netherlands.
Photoacoustics
|September 6, 2023
概括
谱光声学成像 (sPAI) 通过卷积神经网络 (CNN) 有效地分类动脉斑组合. 这种人工智能方法有助于在没有光谱校正的情况下评估斑块脆弱性,从而推进心血管诊断.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 人工智能在医学中的应用
- 心血管诊断心血管诊断服务
背景情况:
- 谱光声学成像 (sPAI) 提供使用光学对比的非侵入性实时组织评估.
- 动脉斑块的组成对于了解斑块的进展和脆弱性至关重要.
- 标准光谱解与sPAI的光谱染色作斗争,限制了斑块分析.
研究的目的:
- 开发和评估一个卷积神经网络 (CNN) 用于分类动脉斑组合使用sPAI.
- 为了克服传统光谱学在复杂的sPAI数据中不混合的局限性.
- 评估基于CNN的sPAI对斑块脆弱性评估的潜力.
主要方法:
- 使用sPAI.使用九个动脉内关节切除术斑块的成像.
- 使用多种组织学染色方法对斑块区域进行注释和验证.
- 应用CNN用于从sPAI数据中自动分类斑块组成.
主要成果:
- 美国有线电视新闻网成功地在板块内区分了组成区域.
- 在不需要流动性或光谱校正的情况下实现了分类.
- 该模型在识别斑块组件方面表现出很高的准确性.
结论:
- CNNs可以有效地从sPAI数据中分类斑块组成,克服光谱色彩挑战.
- 这种人工智能驱动的方法显示了改善对动脉斑块脆弱性的评估的潜力.
- sPAI与CNN结合,为非侵入性心血管诊断提供了一个有前途的工具.
更多相关视频
12:00Non-invasive Parenchymal, Vascular and Metabolic High-frequency Ultrasound and Photoacoustic Rat Deep Brain Imaging
Published on: March 2, 2015
12.2K
09:43In vivo Near Infrared Fluorescence NIRF Intravascular Molecular Imaging of Inflammatory Plaque, a Multimodal Approach to Imaging of Atherosclerosis
Published on: August 4, 2011
18.1K
