在深度学习应用中使用Swin UNETR架构进行脑部MRI扫描以检测心脏病的广泛多标签分类
1Department of Physical Medicine and Rehabilitation, Seoul Daehyo Rehabilitation Hospital, Yangju, Korea.
Annals of rehabilitation medicine
|August 22, 2024
概括
这项研究使用Swin UNEt TRansformers (Swin UNETR) 架构精确区分了心脏病发作类型和位置. 虽然准确,但需要进一步的工作来提高临床诊断的概括性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经学 神经学
背景情况:
- 准确的心脏病发作分类对于有效的中风管理至关重要.
- 现有的方法可能缺乏详细的心脏病发作亚型化所需的精度.
研究的目的:
- 使用Swin UNEt TRansformers (Swin UNETR) 架构精确区分心脏病发作位置和类型.
- 评估Swin UNETR在中风病变细分方面的表现.
主要方法:
- 在Swin UNETR模型中采用了两阶段的培训方法.
- 第1阶段涉及到对2022年缺血性中风损伤细分挑战 (ISLES) 数据集的培训.
- 第二阶段涉及对309名患者的数据集进行培训,对22个大脑区域的心脏病进行分类,并进行详细的亚型分类.
主要成果:
- 斯温UNETR模型在患者数据上取得了显著的性能改进,批量损失降至0.0565±0.0427和精度达到0.9842±0.0005.27.
- 在ISLES 2022数据集的初始训练显示,批量损失减少到0.8885±0.1897和验证子得分为0.5747的最佳模型重量.
结论:
- 斯温UNETR架构在心脏病发作分类中表现出高准确性,超过了类似的研究.
- 过度装配被确定为一个问题,需要未来的研究来增强模型的通用性.
- 详细的心脏病发作分类具有很大的潜力,可以帮助医生在临床诊断和治疗规划.


