经常性的注意力U-Net用于对合成的2D乳房影像上的乳房动脉化的细分和定量
Manar AlJabri1,2, Manal Alghamdi1, Fernando Collado-Mesa3
1Department of Computer Science and Artificial Intelligence, Umm Al-Qura University, Makkah, Makkah, Saudi Arabia.
PeerJ. Computer science
|June 10, 2024
概括
这项研究引入了一种深度学习模型,用于检测乳腺动脉化 (BAC) 在乳房影像上. 人工智能工具的准确性很高,有助于放射科医生识别这些化及其潜在的心血管联系.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 心血管健康 心血管健康
背景情况:
- 乳腺动脉化 (BAC) 是常见的乳房扫描结果,通常被认为是良性的.
- 新出现的证据将BAC与心血管疾病联系起来,这是女性死亡的主要原因.
研究的目的:
- 开发和评估一种深度学习模型,用于在合成的2D乳房镜中检测和量化BAC.
- 协助放射科医生识别BAC并潜在评估心血管风险.
主要方法:
- 设计了一个循环注意力U-Net模型,包含循环注意力机制和注意力模块.
- 该模型使用跳过连接,类似于U-Net架构,用于增强功能处理.
- 评估是在2000个合成的二维乳房镜像数据集上进行的.
主要成果:
- 深度学习模型的整体准确率达到99.8861%.
- 报告的灵敏度,F-1分数和雅卡尔系数分别为69.6107%,66.5758%和59.5498%.
- 与现有的相关模型相比,该模型表现出了有前途的性能.
结论:
- 开发的深度学习方法显示了准确的BAC检测和量化在乳房镜中的潜力.
- 这种人工智能工具可以支持放射科医生识别BAC,为心血管风险评估做出贡献.
- 需要进一步验证,以将这项技术纳入临床实践.
