通过无模型多阶段网络自动精确定位外围插入的中央导管尖端
Subin Park1, Yoon Ki Cha2, Soyoung Park1
1Department of Health Sciences and Technology, SAIHST, Sungkyunkwan University, Seoul 06351, Republic of Korea.
Artificial intelligence in medicine
|October 2, 2023
概括
本研究引入了一个深度学习框架,通过改进线路提取和减少碎片错误,准确地检测外围插入的中央导管 (PICC) 尖端错位. 新方法显著提高了尖端定位的准确性,有助于更安全的患者护理.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 周围插入的中央导管 (PICC) 提供长期的静脉通道,但经常出现尖端错位,风险严重并发症.
- 目前用于PICC线路检测的深度学习 (DL) 方法与多重片段现象 (MFP) 斗争,阻碍了精确的尖端定位.
研究的目的:
- 开发一个多功能DL框架,改进现有的PICC线路提取,删除多个片段,并精确检测尖端错位.
- 为了提高医学成像中自动PICC尖端定位的准确性和可靠性.
主要方法:
- 提出了一个多阶段的DL框架,包括一个基线细分网络,一个基于补丁的精炼网络和一个重新连接网络.
- 该框架对现有的PICC线路提取结果进行后处理,以解决碎片化和断开问题的问题.
主要成果:
- 拟议的框架,MFCN,显著减少多重碎片现象 (MFP) 平均45% (内部) 和32% (外部验证).
- 尖端定位的根平均平方误差 (RMSE) 提高了超过63% (内部) 和65% (外部验证),证明了更高的准确性.
结论:
- 开发的DL方法始终提高PICC尖端检测性能,显示出高的多功能性和优越性比现有模型.
- 这种技术为检测PICC错位提供了有价值的工具,特别是在放射科医生可用性有限的地区.
