肝纤维化自动诊断使用密集融合注意力对比学习网络
Yuhui Guo1,2, Tongtong Li2,3, Ziyang Zhao2,3
1School of Mathematics and Statistics, Lanzhou University, Lanzhou, China.
Medical physics
|May 16, 2024
概括
这项研究引入了一种新的深度学习网络,用于使用多参数扩散加权成像 (DWI) 诊断肝纤维化. 该模型有效地分类纤维化阶段,并确定DWI关键参数,以提高诊断准确度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 肝纤维化是一个主要的健康问题,死亡率高.
- 扩散权重成像 (DWI) 是一种用于检测肝纤维化的非侵入性工具.
- 深度学习有助于分析DWI的纤维化阶段,但面临着有限的数据和参数协同作用的挑战.
研究的目的:
- 开发一个多视图对比学习网络,用于对多参数DWI图像进行自动分类.
- 探索不同DWI参数之间的潜在协同作用和交叉比较,以提高诊断能力.
主要方法:
- 一个密集融合注意力对比学习网络 (DACLN) 设计用于DWI图像识别.
- 采用多视图对比学习框架来训练和从多参数DWI数据中提取特征.
- 集成了一个密集融合模块,用于功能组合和最终标签预测.
主要成果:
- 在临床数据上,DACLN模型实现了高性能,准确性,精度,回忆,特异性和F-1得分的平均得分从0.87到0.89不等.
- 使用Grad-CAM和注释的可解释性分析证实了该模型的有效性.
- 包括IVIM-f,CTRW-β和MONO-ADC在内的关键DWI参数显示出显著的识别能力和互补性.
结论:
- 开发的方法在肝纤维化诊断中实现了竞争力的准确性,即使使用有限的多参数DWI数据集.
- 确定了敏感的DWI参数,为未来肝纤维化诊断研究提供了有希望的途径.
- 该方法突出了医学图像分析中多视图对比学习的潜力.
