基于多实例学习和领域知识的多分支心肌梗塞检测和定位框架
Xinyue Li1, Yangcheng Huang1, Yixin Ning1
1School of Health Science and Engineering, University of Shanghai for Science and Technology, Shanghai, 200093, People's Republic of China.
Physiological measurement
|April 10, 2024
概括
本研究介绍了使用心电图 (ECG) 检测和定位心肌梗塞 (MI) 的两个模型. 提出的方法显示高精度,为早期心血管疾病诊断提供了有前途的工具.
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:
- 心肌梗塞 (MI) 造成不可逆转的心脏损伤,需要早期检测.
- 通过心电图 (ECG) 来自动检测和定位心脏病发作是具有挑战性的临床问题.
研究的目的:
- 开发和评估新的深度学习模型,以准确检测和定位MI.
- 通过使用心电图数据来提高MI诊断的精度.
主要方法:
- 提出了两个模型:MFB-SENET用于MI检测和MFB-DMIL用于MI定位.
- MFB-DMIL集成了多实例学习与域名知识,手工制作的功能,以及一个新的"损失"功能.
- 使用Grad-CAM可视化模型决策过程.
主要成果:
- 在PTB数据库中,MI检测准确率达到93.88%,定位准确率达到67.17%.
- 在PTB-XL数据库中,MI检测精度为94.89%,局部精度为85.83%.
- 性能与现有的最先进的算法相当或超过.
结论:
- 结合深度学习和领域知识的方法是有效和可靠的MI诊断.
- 提出的模型显示了作为有效工具的潜力,以帮助医生诊断心脏病发作.
- 这项工作推进了用于心血管疾病检测的自动化ECG分析.
