MultiNet 2.0:一个基于注意力的轻量级深度学习网络,用于在动脉超声扫描中测量狭窄和评估心血管风险
Mainak Biswas1, Luca Saba2, Mannudeep Kalra3
1School of Computer Engineering, Kalinga Institute of Industrial Technology, Bhubaneswar, India.
概括
这项研究介绍了MultiNet 2.0,一种使用注意力机制的AI工具,用于从动脉超声图像中改进心血管疾病风险预测. 它提供高度准确的光线细分,优于现有的模型.
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:
- 心血管疾病 (CVD) 是导致死亡的首要原因,并造成严重的经济负担.
- 目前的CVD风险分层依赖于生物标志物的手动检查,这是低效的,容易出现错误.
- 现有的图像分析深度学习 (DL) 模型遭受信息丢失,限制了它们的准确性.
研究的目的:
- 为了研究DL网络的有效性,加强了注意力机制,以改善细分和CVD风险预测.
- 提出和评估MultiNet 2.0,一个新的深度学习模型,用于分析常见动脉 (CCA) 超声波图像.
主要方法:
- 在MultiNet 2.0框架内利用了两个基于注意力的DL网络.
- 从204名患者的407张CCA超声波图像中对光层进行了细分,通过专家划分确定了两个基本真理 (GT1,GT2).
- 使用细分数据进行心血管疾病风险预测.
主要成果:
- 实现了超级光度 (LD) 误差率 (GT1的0.13±0.08毫米,GT2的0.16±0.07毫米),超过了当前的市场标准.
- 在将患者分为低,中等和高心血管疾病风险类别时,证明了高准确性,曲线下的面积 (AUC) 值高达1.00.
- 该模型的性能明显超过了当代深度学习模型的性能.
结论:
- 与注意力机制集成的DL网络为医疗图像细分和心血管疾病风险预测提供了增强的性能.
- 多网2.0提供精确的光线细分和可靠的心血管疾病风险分层从CCA超声波图像.
- 开发的系统显示出在心血管风险评估工具中临床采用有很大的潜力.
