GLCV-NET:使用全球局部交叉视图在B模式超声波图像中进行晚期肝纤维化的自动诊断系统

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 肝病学 肝病学是一种肝病学.

背景情况:

• 晚期肝纤维化是慢性肝病 (CLD) 评估的关键阶段.
• 准确的分期对于治疗策略和疾病进展预测至关重要.

研究的目的:

• 开发一种自动化方法,使用超声波 (US) B模式图像来诊断晚期肝纤维化.
• 通过整合全球和本地图像特征来提高诊断准确性.

主要方法:

• 提出了一个全球-本地交叉视图网络 (GLCV-Net) 用于自动纤维化诊断.
• 采用了细分增强的全球混合特征提取器来进行肝脏辅体细胞分析.
• 采用热图加权局部特征提取器来识别可疑区域.
• 实施了适应规模的融合模块,以平衡功能贡献.

主要成果:

• 在内部数据集 (1003名CLD患者) 上,GLCV-Net实现了86.9%的准确度,85.0%的回忆率,85.4%的精度和85.2%的F1评分.
• 在外部数据集 (46名CLD患者) 上验证,达到86.1%的准确性,83.1%的回忆,80.8%的精度和81.9%的F1分数.
• 在诊断晚期肝纤维化方面表现出强大的性能和准确性.

结论:

• GLCV-Net显示了高级肝纤维化的非侵入性和准确诊断的巨大潜力.
• 全球和本地信息的整合增强了超越传统方法的诊断能力.
• 这种人工智能驱动的方法为管理CLD患者提供了一个有希望的工具.