剩余网络模型从胸部X射线图中检测心房隔膜缺陷

科学领域:

• 医疗成像中的人工智能
• 心脏病学 心脏病学
• 儿科放射学 儿科放射学

背景情况:

• 前庭隔膜缺陷 (ASD) 是一种常见的先天性心脏病.
• 准确和早期发现ASD对于及时干预和改善患者结果至关重要.
• 胸部X射线图是一种广泛可用的成像方式,但检测ASD可能具有挑战性.

研究的目的:

• 评估基于机器学习的残留网络 (ResNets) 模型在胸部放射图上检测心房隔膜缺陷 (ASD) 的有效性.
• 为了比较不同ResNets架构在识别ASD方面的性能.

主要方法:

• 一项回顾性研究,使用了来自ASD和无ASD患者的2105张胸部X射线图.
• 胸部X射线图被标记为ASD的阳性或阴性,基于心声图.
• 训练,验证和测试了六个ResNets模型,其性能指标包括曲线下的面积,回忆,精度和F1分数.
• 热图被用来可视化模型识别的感兴趣区域.

主要成果:

• 在ASD检测方面,ResNet-10t和ResNet-18D表现出卓越的性能.
• 在精度 (0.92),回忆 (0.93),准确性 (0.90),F1得分 (0.91) 和曲线下面积 (0.97) 方面,ResNet-10t获得了高分.
• 热图分析表明ResNet-10t更有效地关注ASD患者X射线图中的相关区域.

结论:

• 机器学习模型,特别是ResNets,可用于在儿科胸部X射线图中识别ASD.
• 由于其卓越的性能和可解释性,ResNet-10t被确定为首选模型.
• 这种方法有望改善儿童ASD的非侵入性诊断.