使用基于MRI的斑块纹理分析和卷积神经网络进行状斑块细分和分类
Zakarya Hasan Ahmed Abu Alregal1, Gehad Abdullah Amran2, Ali A Al-Bakhrani3
1School of Computer Science and Technology, Central South University, Changsha, China.
Frontiers in medicine
|July 7, 2025
概括
这项研究引入了一个人工智能框架,用于自动化带斑块细分和分类,改进中风风险评估. 混合深度学习模型提高了准确性和通用性,提供了一个潜在的AI驱动的诊断工具.
科学领域:
- 脑血管疾病研究研究
- 医疗成像中的人工智能
- 用于医学诊断的深度学习.
背景情况:
- 精确的带斑块细分和分类对于中风风险评估至关重要.
- 目前的方法面临着手动干预,变化性和有限的概括性方面的挑战.
- 这些局限性阻碍了现有方法的临床实用性.
研究的目的:
- 开发一个完全自动化的混合深度学习框架用于状腺斑块分析.
- 提高斑块细分和分类的准确性和通用性.
- 加强中风风险分层和脑血管疾病管理.
主要方法:
- 提出了一个混合框架,将Mask R-CNN用于细分和双路径CNN用于分类.
- 专家注释的MRI扫描被用于培训和验证.
- 使用诸如子相似系数 (DSC),交叉与联盟 (IoU),准确性和ROC-AUC等指标来评估性能.
主要成果:
- 面具R-CNN实现了强大的细分 (平均DSC/IoU为0.34) 尽管复杂的解剖学.
- 定制的CNN显示了高的分类准确度 (86.17%) 和ROC-AUC (0.86),超过了Inception V3.
- 混合模型在斑块表征和高风险斑块识别方面明显超过了传统方法.
结论:
- 开发的框架提供了一种完全自动化的,可重复的和可通用的解决方案,用于状腺斑块分析.
- 这种人工智能驱动的方法减少了人工依赖和观察者之间的变化.
- 这些发现支持其作为标准化脑血管疾病管理的诊断工具的潜力.
