CLIF-Net:交叉导向的交叉视图融合网络,用于从头骨超声波检测感染

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 新生儿护理 新生儿护理

背景情况:

• 婴儿严重细菌感染 (pSBI) 是一个重大的诊断挑战.
• 头骨超声波 (cUS) 是新生儿成像的一个有价值的工具.
• 使用cUS检测psbi的现有方法存在局限性.

研究的目的:

• 开发一种新的深度学习框架,以改善新生儿PSBI检测.
• 为了提高诊断准确性,利用多视图cUS图像 (冠状和状) 来提高诊断准确性.
• 为PSBI检测创建一个强大的3D表示.

主要方法:

• 开发了交叉导向的交叉视图局部和图像级融合网络 (CLIF-Net).
• 采用双卷积神经网络分支用于冠状和状图像特征提取.
• 使用多层融合块与交叉注意模块来增强交叉区域特征.

主要成果:

• 在pSBI检测方面,CLIF-Net表现显著提高了性能.
• 该方法超越了当前最先进的感染检测技术.
• 在乌干达的302个cUS扫描数据集上进行了评估.

结论:

• 使用CLIF-Net利用多视图cUS图像为PSBI检测提供了一个强大的3D表示.
• 开发的框架在诊断新生儿败血症方面提供了有前途的进展.
• 这种方法有可能改善婴儿严重细菌感染的早期检测和管理.