通过深度学习通过对比增强的超声波图像和视频对 Carotid 斑块进行自动多任务细分和脆弱性评估
IEEE journal of biomedical and health informatics
|June 20, 2025
概括
一个新的深度学习模型使用对比增强超声波 (CEUS) 图像和视频,自动评分阴道斑块中的内斑块新血管化 (IPN). 这种人工智能工具提供了准确和有效的评估,有助于诊断斑块脆弱性.
科学领域:
- 心血管成像 - 心血管成像
- 人工智能在医学中的应用
- 医学诊断 医学诊断 医学诊断
背景情况:
- 在状腺斑块中的内新血管化 (IPN) 表示脆弱性.
- 与对比度增强的超声波 (CEUS) 通过微泡评估可视化IPN.
- 目前的IPN评估很大程度上依赖于经验丰富的放射科医生.
研究的目的:
- 开发一种深度学习多任务模型,用于自动化带斑块细分和IPN分级.
- 评估模型在CEUS图像和视频上的表现,与放射科医生进行对比.
- 加强对斑块脆弱性的客观和有效的临床诊断.
主要方法:
- 设计了一个深度学习多任务模型,用于同时进行细分和IPN分类.
- 该模型在CEUS图像和视频上进行了训练和测试.
- 使用CEUS数据,与初级和中级放射科医生的表现进行了比较.
主要成果:
- 多任务模型在CEUS图像上实现了84.64%的分割Dice系数和81.67%的IPN分类准确度.
- 该模型在IPN分级准确性方面表现优于初级和中级放射科医生.
- 在CEUS视频中,该模型实现了80.00%的IPN分级准确度.
结论:
- 拟议的深度学习多任务模型提供了准确,客观和高效的IPN分级,用于状腺斑块.
- 该模型在静态CEUS图像和动态视频上都表现出强的性能.
- 这种人工智能方法显示了改善斑块脆弱性的临床诊断的巨大潜力.
更多相关视频
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
3.0K
09:36A Magnetic Resonance Imaging-based Computational Protocol for Analysis of Plaque Morphology and Hemodynamics in Patients with Carotid Artery Stenosis
Published on: August 12, 2025
100
