DLFFNet:一个新的动态局部特征融合网络,用于使用心声回声仪自动识别大动脉结石化
Lingzhi Tang1, Xueqi Wang2, Jinzhu Yang1
1Key Laboratory of Intelligent Computing in Medical Image, Ministry of Education, Northeastern University, China; Computer Science and Engineering, Northeastern University, Shenyang, China; National Frontiers Science Center for Industrial Intelligence and Systems Optimization, China.
Computer methods and programs in biomedicine
|November 16, 2023
概括
一个新的深度学习模型在心声图中自动检测大动脉结石化 (AVC),提高了精度和效率. 这种人工智能工具有助于通过超声波图像可靠地识别AVC来预测心血管事件.
科学领域:
- 心血管成像 - 心血管成像
- 人工智能在医学中的应用
- 医学图像分析 医学图像分析
背景情况:
- 大动脉结石化 (AVC) 是心血管事件的关键预测因素,通常与冠状动脉狭窄有关.
- 目前通过心声学来确定AVC依赖于主观视觉评估,导致观察者之间的变化和广泛的培训要求.
- 在心声图像中精确检测AVC是具有挑战性的,因为图像文物和解剖学变异.
研究的目的:
- 开发一种自动化系统,使用心声图像进行准确的大动脉结石化 (AVC) 识别.
- 克服手动AVC评估的局限性,包括主观性和耗时的学习曲线.
- 提高AVC检测的可靠性和效率,以改善心血管风险分层.
主要方法:
- 开发了一个动态的局部特征融合网络,用于自动识别心电回声图的心动脉.
- 使用U-Net对高回声区域进行了细分,并通过面罩调模块进行了微调,以进行动态的本地特征选择.
- 一个基于金字塔的,双分支的功能融合模块被设计为整合多层次,多规模,全球和本地语义信息.
- 实施了一种统一的预处理算法,以解决不同数据集中大动脉位置和大小的变化.
主要成果:
- 拟议的模型在231名患者的心声图像数据集上实现了高性能.
- 关键性能指标包括准确度 (82.40%),精度 (82.50%),灵敏度 (82.50%),特异性 (91.23%) 和F1评分 (82.47%).
- 该模型表现出强大的区分能力,微AUC为92.39%和宏AUC为92.25%.
结论:
- 这项研究证明了使用心声回声学进行自动动脉检查的可行性.
- 可视化证实,人工智能模型的感兴趣区域与专家的解释一致.
- 开发的AI方法在临床实践中为客观和高效的AVC评估提供了一个有前途的工具.
