使用级联深度学习网络的CACSNet在全景放射图上对动脉化进行自动可靠的分类和细分,使用级联深度学习网络
Suh-Woo Yoo1, Su Yang2, Jo-Eun Kim3
1Department of Oral and Maxillofacial Radiology, School of Dentistry, Seoul National University, Seoul, Korea.
Scientific reports
|June 17, 2024
概括
一个新的深度学习模型,CACSNet,在全景放射图 (PRs) 上准确地识别状动脉化 (CAC),帮助评估中风风险. 这种方法增强了牙科成像中动脉样硬化的早期检测.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心血管健康 心血管健康
背景情况:
- 在全球范围内,中风是导致死亡的主要原因,通常与动脉动脉样硬化有关.
- 在牙科环境中常见的全景射线图 (PRs) 可以揭示动脉化 (CAC).
- 准确检测CAC对于评估中风风险至关重要.
研究的目的:
- 开发一个自动化的深度学习系统,用于对PRs的CAC进行分类和细分.
- 为了确保在检测CAC时的稳定性,尽管大小,形状,位置的变化以及与其他结构的重叠.
- 提高PRs的诊断实用性,用于心血管风险评估.
主要方法:
- 开发一个级联深度学习网络 (CACSNet),包括分类和细分模块.
- 训练CACSNet使用来自CT图像的地面真相数据,并使用Tversky损失函数.
- 在CACSNet框架内使用EfficientNet-B4架构.
主要成果:
- CACSNet实现了高分类性能,其AUC为0.996,准确度为0.985,灵敏度为0.980,特异性为0.988.
- 细分性能指标包括Jaccard指数为0.595,子相似系数为0.722,精度为0.749,回忆率为0.756.
- 该模型与以前基于PR的方法相比,显示出更高的分类,以及与其他成像方式相比,可比的细分.
结论:
- CACSNet提供了一种强大而准确的方法,用于对PRs的CAC进行分类和细分.
- 该系统有效地处理形态上多样化的CAC病变以及与解剖结构重叠的病变.
- 这种深度学习方法增强了常规牙科X光片对心血管风险分层的潜力.
更多相关视频
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.7K
06:57Author Spotlight: Advancing Cardiovascular Imaging - Introducing the Spatially Weighted Calcium Score for Early Disease Detection
Published on: September 22, 2023
972
