在使用基于注意力的深度学习模型的非对比增强胸部CT中改善了大动脉剖析的检测

科学领域:

• 放射学和医学成像学 医学成像学
• 医疗保健中的人工智能
• 心血管疾病的诊断 心血管疾病的诊断

背景情况:

• 大动脉解剖 (AD) 是一种危及生命的疾病,需要准确及时诊断.
• 非对比增强的胸部计算机断层扫描 (CT) 是一个关键的成像模式.
• 深度学习模型对医学图像分析有希望,但它们在AD检测中的有效性需要进一步研究.

研究的目的:

• 评估基于注意力的深度学习模型的性能,用于检测大动脉解剖 (AD) 使用非对比增强的胸部CT.
• 将拟议模型与传统的深度学习架构进行比较.

主要方法:

• 分析了1300名患者的数据集,包括内部 (400名患者) 和外部 (80名患者) 队列.
• 通过将卷积块注意模块 (CBAM) 与YOLOv5架构集成,开发了一个基于注意力的模型 (YOLOv5-CBAM).
• 该模型在9600张CT图像上进行了训练,其性能与未经修改的YOLOv5模型相比得到了验证.

主要成果:

• 与未经修改的YOLOv5模型相比,YOLOv5-CBAM模型表现出更高的性能.
• 在外部测试组中,YOLOv5-CBAM的AUC值为0.938,准确率为91.5%,灵敏度为90.0%,特异性为92.9%.
• 拟议的模型在AD检测准确度和灵敏度方面明显优于未经修改的模型.

结论:

• 整合CBAM注意力机制可以提高深度学习模型的性能,用于在非对比CT中检测AD.
• 这种以注意力为基础的方法有可能帮助放射科医生实现更准确和及时的AD诊断.
• 改进的诊断能力可以带来更好的患者对大动脉剖析的结果.