DDUM:可变形扩展U结构模块用于冠状动脉狭窄检测

科学领域:

• 心脏病学 心脏病学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 深度学习有助于冠状动脉疾病的诊断,但与有限的,难以标记的冠状动脉血管学数据作斗争,导致准确性低,概括性差.
• 现有的模型往往表现出高的假阳性率和有限的适应新数据集的能力.

研究的目的:

• 引入一种新的可变形可扩展U结构模块 (DDUM),旨在专门用于冠状动脉狭窄检测的网络.
• 提高深度学习模型的准确性和概括能力,用于分析冠状动脉血管学.

主要方法:

• 开发可变形可扩展U结构模块 (DDUM).
• 集成和测试DDUM与标准深度学习架构 (例如,ResNet50骨干与更快的R-CNN检测器).
• 通过转移学习实验评估性能改进和概括能力.

主要成果:

• 在各种架构中,DDUM显著提高了模型性能.
• 将DDUM应用到ResNet50/Faster R-CNN模型中,平均精度从33.76%提高到42.39% (增加了25.56%).
• 转移学习实验证实了DDUM增强的泛化能力.

结论:

• DDUM有效地提高了冠状动脉狭窄检测准确性和模型概括性.
• DDUM为医学成像中的深度学习提供了专门的解决方案,克服了数据限制.
• 使用DDUM微调可以降低培训成本,并使跨设备的模型部署更容易.