图像检测主动脉剖析并发症基于多级特征融合的图像检测
Yun Tan1, Zhenxu Wang1, Ling Tan2
1Central South University of Forestry and Technology, Hunan, China.
Heliyon
|March 27, 2024
概括
一种新的深度学习模型,MFF-FPN,显著改善了对大动脉剖析并发症的检测,包括小病变. 这种人工智能方法提高了复杂病例的诊断准确度,有助于临床决策.
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
- 医学诊断 医学诊断 医学诊断
背景情况:
- 大动脉剖析涉及到分离大动脉壁的真实和虚假光线.
- 血液进入大动脉壁的中膜会导致剖析扩张.
研究的目的:
- 解决检测大动脉剖析并发症的挑战,包括个体变异和小目标.
- 为改进检测提出一个基于多尺度特征融合的特征金字塔网络 (MFF-FPN).
主要方法:
- 使用Resnet50作为功能提取的骨干.
- 实现了金字塔结构,用于融合多层次特征.
- 集成了一个注意力机制,以提高特征表示质量.
主要成果:
- 实现了99.40%的平均平均精度 (MAP),用于多对象检测大动脉解剖和并发症.
- 性能优于SSD (96.3%) 和YoloV7 (99.05%) 等现有型号.
- 对像囊这样的小目标显著提高了检测准确度.
结论:
- 多年财政框架-FPN模型有效地重复使用特征,并专注于关键的当地信息.
- 通过最小的额外参数实现了高检测准确度.
- 在临床大动脉剖析检测中识别常见的小病变的证明有效性.
更多相关视频
07:12Author Spotlight: Using Point-of-Care Ultrasound for Comprehensive Evaluation of the Abdominal Aorta
Published on: September 8, 2023
2.3K
07:46Author Spotlight: Revolutionizing Remote Surgery with Augmented Reality and Robotics for Enhanced Precision and Accessibility
Published on: August 9, 2024
718
