相反的U-Net是由足够的纹理提取驱动的,用于检测状腺斑块.
WenJun Zhou1,2, Tianfei Wang2, Yuhang He2
1Ultrasound in Cardiac Electrophysiology and Biomechanics Key Laboratory of Sichuan Province, Sichuan Provincial People's Hospital, University of Electronic Science and Technology of China, Chengdu 611731, China.
Mathematical biosciences and engineering : MBE
|November 3, 2023
概括
一个新的对比U-Net模型有效地从带超声波图像中提取纹理信息,以改善动脉样硬化斑块的检测. 这有助于临床医生识别高风险区域,降低中风和缺血性心脏病的风险.
科学领域:
- 医学成像医学成像
- 医疗保健中的人工智能
- 心血管疾病的研究研究.
背景情况:
- Carotid 斑块破裂是中风和缺血性心脏病的主要原因.
- 准确地描述带斑块对于风险评估和临床决策至关重要.
- 当前的方法往往忽略了超声波图像中的纹理信息,这对于斑块分析至关重要.
研究的目的:
- 开发一种新的深度学习网络,用于增强动脉斑块检测.
- 为了提高准确性,利用 carotid 超声波图像中的纹理信息.
- 帮助临床医生识别动脉样硬化区域并确定斑块特征.
主要方法:
- 设计了一个新的基于U-Net的网络,Contrast U-Net.
- 该网络包含一个对比块,用于精确的纹理特征提取.
- 整合了挤压和激发块,以增强跳过连接中的通道智能纹理学习.
主要成果:
- 与现有模型相比,对比U-Net在动脉斑块检测方面表现出优异的性能.
- 血管内超声波图像数据集的实验结果验证了网络的有效性.
- 该模型成功地利用了纹理信息来更准确地识别斑块.
结论:
- 对比U-Net在分析带超声波图像方面取得了重大进展.
- 通过对比U-Net精确的纹理提取可以改善动脉样硬化斑块的检测.
- 这项技术有可能提高临床评估并降低心血管事件风险.


