一个基于区域和类别的信任的多任务网络,用于 Carotid 超声波图像细分和分类.

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:

• 冠状动脉斑块的细分和分类对于动脉样硬化管理和中风风险评估至关重要.
• 现有的深度学习方法往往会增加复杂性或忽视任务的相互依赖性,从而限制性能.

研究的目的:

• 提出一个多任务学习框架 (RCCM-Net) 以提高在超声波图像中的带斑块细分和分类.
• 为了提高性能,利用细分和分类任务之间的相关性.

主要方法:

• 开发了RCCM-Net,一个多任务学习框架,包含一个区域信任模块 (RCM) 和一个样本类别信任模块 (CCM).
• 在1270张2D超声波状斑块图像上训练和评估模型.
• 将RCCM-Net与各种单任务和多任务深度学习网络进行比较.

主要成果:

• RCCM-Net实现了85.82%的分类准确度和84.92%的子相似系数进行细分.
• 提出的方法的性能优于现有的单任务和多任务网络.
• 废弃性研究证实了RCM和CCM模块的显著贡献.

结论:

• RCCM-Net有效地利用了带斑块细分和分类任务之间的关系.
• 该框架为动脉斑块分析中的临床应用提供了更好的性能.
• 这种方法有望增强与动脉样硬化相关的临床试验和实践.