动脉样硬化的自动诊断使用多层组合模型和在血管内超声波成像中的生物灵感优化

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 心血管疾病研究研究

背景情况:

• 动脉样硬化是心脏病的主要原因,它涉及动脉中斑块的积累.
• 血管内超声波 (IVUS) 图像提供了冠状动脉和斑块形态的详细视图.
• 目前的手动或基于软件的诊断方法耗时,需要自动化解决方案.

研究的目的:

• 在IVUS图像上提出一种使用混合狮优化器与深度学习 (AAPC-HALODL) 的动脉样硬化斑块自动分类方法.
• 提高动脉样硬化检测和分类的准确性和效率.
• 为了利用深度学习和计算机视觉进行自动斑块表征.

主要方法:

• 利用一个更快的区域卷积神经网络 (Faster RCNN) 在IVUS图像中对患病区域进行细分.
• 采用ShuffleNet-v2模型来生成特征向量,超参数通过混合狮优化器 (HALO) 技术进行优化.
• 使用堆叠自编码器 (SAE) 和深度极端学习机器 (DELM) 模型实现了平均集合分类.

主要成果:

• 与其他深度学习模型相比,AAPC-HALODL方法在2011年MICCAI挑战数据集中表现出更高的性能.
• 实现了最高准确度为98.33%,精度为97.87%,灵敏度为98.33%,F-score为98.10%.
• 混合优化和整体分类有效地提高了斑块分类的准确性.

结论:

• 拟议的AAPC-HALODL技术提供了一个高度准确和高效的自动化解决方案,用于从IVUS图像中对动脉样硬化斑块进行分类.
• 这种自动化方法有可能在诊断和管理心血管疾病方面显著帮助医疗保健专业人员.
• 深度学习和优化技术对推进心脏病学医学图像分析有很大的前景.