从多视图超声图像通过监督注意力多实例学习检测心脏病

科学领域:

• 心脏病学 心脏病学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 大动脉狭窄 (AS) 是一种严重的心脏门疾病,具有重大健康后果.
• 目前的诊断依赖于专家对心声回声图的解释,这耗时且容易导致诊断不足.
• 使用深度学习自动化AS查需要识别相关观点并汇总信息以进行准确的诊断.

研究的目的:

• 开发一个自动化的深度学习系统,用于准确的大动脉狭窄查.
• 改进现有方法,这些方法在心声回声学中难以进行图像选择和聚合.
• 通过新的人工智能技术,提高AS诊断的效率和准确性.

主要方法:

• 为AS检测开发了一种新的端到端多实例学习 (MIL) 方法.
• 实施了监督的注意力机制,以关注与诊断相关的心声回声图.
• 使用自我监督的预训练策略,在整个研究表征上进行对比学习.

主要成果:

• 与以前的方法相比,提出的MIL方法在AS检测中显示出更高的准确性.
• 这种新技术有效地识别并利用了相关的心声回声图视图进行诊断.
• 该模型实现了性能改进,同时也减少了整体模型尺寸.

结论:

• 新的端到端MIL方法,包括监督的注意力和自我监督的预训练,显著改善了自动化大动脉狭窄检测.
• 这种方法提供了一个更准确,更有效的替代方案,以当前的诊断实践为AS.
• 这些发现表明,人工智能驱动的心血管诊断有望走向.