混合深度学习用于心脏MRI细分中的计算精度:集成自动编码器,CNN和RNN,以增强结构分析
1Shaanxi International Innovation Center for Transportation-Energy-Information Fusion and Sustainability, Chang'an University, Xi'an 710064, China; IVR Low-Carbon Research Institute, School of Energy and Electrical Engineering, Chang'an University, Xi'an 710064, China.
Computers in biology and medicine
|February 19, 2025
概括
混合深度学习模型,包括自动编码器,卷积神经网络 (CNN) 和循环神经网络 (RNN),显著改善心脏MRI细分和早期诊断的准确性. 这种方法提高了临床环境中的图像质量和诊断可靠性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心脏病学 心脏病学
背景情况:
- 心脏成像对于早期诊断和患者护理至关重要.
- 深度学习在分析复杂的医学图像方面提供了变革性的潜力.
- 现有的方法可能缺乏对微妙的心脏异常所需的精度.
研究的目的:
- 探索混合深度学习方法来增强心脏图像分析.
- 用传统算法评估自动编码器,CNN和RNN与传统算法的联合有效性.
- 评估图像质量,诊断准确性和对抗攻击的稳定性方面的改进.
主要方法:
- 集成用于特征提取的自动编码器,用于图像识别的CNN和用于顺序数据分析的RNN.
- 结合传统的图像处理技术 (索贝尔,流域,奥苏的门).
- 使用TensorFlow和Keras实现,通过QuickScan和bSSFP成像协议进行验证.
- 对抗防御策略的分析,以获得模型的稳定性.
主要成果:
- 自动编码器实现了99.66%的准确性;CNN显示了98.9%的准确性;RNN显示了98%的预测准确性.
- 显著改善成像指标:15%的SNR增强,12%的CNR增强,95%的EF相关性.
- 在模拟敌对攻击下,模型保持了可靠性.
结论:
- 混合深度学习框架集成自动编码器,CNN和RNN显示出对心脏MRI的重大承诺.
- 该方法提高了图像质量,细分精度和诊断能力.
- 这种方法有助于更早,更准确的诊断,并有可能改善患者的治疗结果.
