相关实验视频
Updated: Jun 3, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
367
深度学习模型用于自动分类的解剖位置在腹腔皮层数字减法血管学
Reza Moein Taghavi1, Amol Shah1, Vladimir Filkov2
1Department of Radiology, UC Davis School of Medicine, University of California, Davis, 4860 Y Street, Suite 3100, Sacramento, CA, 95817-2307, USA.
Journal of imaging informatics in medicine
|January 9, 2025
概括
深度学习准确地识别数字减去血管学 (DSA) 序列中的解剖位置. 算法有效地管理信息稀疏性,提高血管成像中的诊断精度.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 血管干预放射学 血管干预放射学
背景情况:
- 数字减去血管学 (DSA) 对于可视化血管解剖学至关重要.
- 在DSA序列中识别特定的解剖位置可能是由于信息稀疏而具有挑战性的.
- 需要自动化方法来提高DSA解释的效率和准确性.
研究的目的:
- 评估常规DSA的信息内容.
- 评估深度学习算法用于DSA中的自动解剖识别.
- 改善血管成像中的信息稀疏性管理.
主要方法:
- 从内血管手术中对DSA序列的回顾性分析 (2010-2020年).
- 开发用于解剖位置分类的模式和多个实例学习 (MIL) 模型.
- 基于使用关键图像和完整数据集的多类分类准确性的性能评估.
主要成果:
- 模式和MIL深度学习模型实现了高精度 (分别为0.975和0.966).
- 这两种模型的表现明显优于在完整数据集上训练的基线模式模型.
- MIL模型自动识别了与手动标记的图像高度重叠的关键图像.
结论:
- 深度学习算法在识别腹腔皮层DSA解剖位置方面表现出高可靠性.
- 手动或自动方法可以有效地管理DSA中的信息稀疏性.
- 人工智能驱动的分析对改善DSA解释具有重大前景.
