基于长短记忆的检测网络用于在B模式超声波视频流中检测动脉

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 心血管疾病

背景情况:

• 动脉动脉样硬化斑块是II型糖尿病的一个重要并发症.
• 冠状动脉超声波对于诊断冠状动脉血管疾病至关重要.
• 缺乏经验的医生不一致的图像捕捉和斑块识别在初级医院中构成了挑战.

研究的目的:

• 开发一种新的深度学习方法,用于在超声波视频流中自动检测动脉和斑块定位.
• 提高识别关键解剖结构和动脉样硬化斑块的效率和准确性.

主要方法:

• 提出了一个基于长短内存的检测 (LSMD) 网络,使用短期时间聚合 (STA) 和长期时间聚合 (LTA) 模块.
• 实现了带有动态更新策略的内存缓冲器,以优化时间接收场覆盖范围和计算效率.
• 在带超声波视频上训练和评估LSMD模型,将其性能与单次射击多盒检测器 (SSD) 基线进行比较.

主要成果:

• 与SSD基线相比,LSMD网络表现出显著的改进,精度,回忆,平均精度 (AP) 和平均AP (mAP) 分别增加了6.83%,12.29%,11.23%和13.21%.
• 实现实时推断速度:高端GPU上的6.97ms和边缘设备上的29.69ms.
• 该模型准确地定位了动脉解剖学和动脉样硬化斑块.

结论:

• 拟议的LSMD网络为超声波成像中的自动化动脉和斑块检测提供了强大的和高效的解决方案.
• 它的实时推断能力和提高的准确性表明,它有很大的潜力提高临床诊断的准确性,特别是在不同医生经验水平的环境中.