ELRL-MD:使用心磁共振图像与整体和强化学习集成的深度学习方法来诊断心肌炎

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:

• 肌心炎通常是由病毒感染引发的,具有显著的心脏健康风险.
• 目前的诊断标准,心内膜活检是侵入性的,仅限于严重病例.
• 心脏磁共振成像 (CMR) 为心肌异常提供了一种不那么侵入性的诊断方法.

研究的目的:

• 开发和评估使用CMR图像进行心肌炎诊断的深度学习模型.
• 为应对CMR数据集数据不平衡和局部最佳趋同的挑战.
• 提供一个更容易获得和更准确的诊断工具,用于心肌炎.

主要方法:

• 引入ELRL-MD模型,结合合体学习和强化学习 (RL).
• 使用人工蜂群 (ABC) 算法进行预训练,以优化初始模型重量.
• 利用一系列卷积神经网络 (CNN) 在Z-Alizadeh Sani心肌炎CMR数据集上进行特征提取和诊断.
• 使用RL来管理数据集不平衡,通过将诊断作为决策过程.

主要成果:

• 与其他深度学习,机器学习和转移学习模型相比,ELRL-MD模型实现了卓越的性能.
• 在心肌炎诊断中获得了88.2%的F测量和90.6%的几何平均值.
• 实验确定了最佳奖励函数设置和模型理想数量的CNN.

结论:

• 该ELRL-MD模型有效地解决了数据不平衡和基于CMR的心肌炎诊断中的局部最佳问题.
• 组合学习,RL和ABC预训练的综合方法显著提高了诊断性能.
• 这项研究验证了ABC和RL组件的贡献,证实了它们对模型疗效的重要性.