基于深度学习的采样位置选择在动脉超声扫描期间的彩色多普勒声学图像上
Xin Wang1, Yu-Qing Yang2, Sheng Cai1
1Department of Ultrasound, State Key Laboratory of Complex Severe and Rare Diseases, Peking Union Medical College Hospital, Chinese Academy of Medical Science and Peking Union Medical College, No. 1, Shuaifuyuan, Dongcheng District, Beijing, 100730, China.
Scientific reports
|May 23, 2024
概括
深度学习 (DL) 对象检测准确地识别动脉超声波采样位置. 双头R-CNN模型在提高准确性方面显示出显著的前景,特别是对于经验较少的医生来说.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心血管超声波是什么心血管超声波
背景情况:
- 精确的采样位置选择对于动脉超声检查至关重要.
- 对于这种特定任务,深度学习 (DL) 的应用尚未被探索.
研究的目的:
- 评估DL物体检测技术在协助采样位置选择的颜色多普勒声学 (CDS) 图像上的有效性.
- 为了比较各种DL模型的性能,用于此应用.
主要方法:
- 在2004年患者的CDS图像上训练了七个物体检测模型 (快速R-CNN,布R-CNN,双头R-CNN,视网网,YOLOv3,FoveaBox,可变形DETR).
- 分类图像为腹腔大动脉 (AO),正常动脉 (NRA),动脉狭窄 (RAS) 和内球间动脉 (IRA).
- 对优化,验证和临床数据集模型的预测准确度进行比较.
主要成果:
- 双头R-CNN模型实现了最高的平均精度 (89.3%±0.6%的优化, 88.5%±0.3%的验证).
- 与其他模型相比,双头R-CNN在临床验证数据上的所有四种图像类型的预测准确度显著更高.
结论:
- DL对象检测,特别是双头R-CNN模型,显示出有很大的潜力,可以帮助医生在动脉超声波期间选择准确的采样位置.
- 这项技术可以提高诊断准确度,并支持缺乏经验的从业人员.
