使用Mask R-CNN进行膜细分,用于狭窄性动脉样硬化斑块的动脉动脉
Maxwell J Kiernan1, Rashid Al Mukaddim1, Carol C Mitchell2
1Department of Medical Physics, University of Wisconsin School of Medicine and Public Health (UW-SMPH), United States.
Ultrasonics
|November 12, 2023
概括
这项研究引入了一种使用Mask R-CNN的自动化方法,用于超声波图像中的动脉光细分,提高中风风险评估的效率. 人工智能模型实现了高精度,有助于更快地分析狭窄和斑块负担.
科学领域:
- 医疗成像医学成像
- 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:
- 临床带超声波对于通过评估狭窄和斑块负担来评估缺血性中风风险至关重要.
- 带超声波图像的手动分析是耗时和劳动密集的.
- 需要自动化分析方法来提高心血管诊断的效率和准确性.
研究的目的:
- 开发和评估使用Mask R-CNN模型进行动脉光膜细分和界限框的自动化方法.
- 为随后的自动化板块细分和墙壁厚度测量奠定基础.
- 为了比较不同的训练方案,以优化Mask R-CNN模型的准确性.
主要方法:
- 一个Mask R-CNN深度学习网络使用超声波辅助的地面真实性动脉光线细分进行了训练.
- 该模型使用单通道B模式超声波图像作为输入.
- 实施了各种培训计划,以确定最准确的模型配置.
主要成果:
- 自动化方法在界限框检测中实现了0.81的平均交叉与结合 (IoU).
- 对于光线细分的平均IOU为0.75.
- 由于训练数据有限,当关静脉显着可视化时,发生了预测错误.
结论:
- 开发的Mask R-CNN模型在自动化动脉光细分从B模式超声波中表现出高准确性.
- 这种自动化方法有可能显著减少中风风险评估中的分析时间和劳动力.
- 需要进一步扩展数据集,以应对诸如将动脉与静脉区分开来,以提高强度等挑战.
