在组合中使用类激活地图进行转移学习,在带超声波中驱动斑块分类
Georgia D Liapi1, Christos P Loizou1, Maura Griffin2
1e-Health Laboratory, Department of Electrical Engineering, Computer Engineering and Informatics, Cyprus University of Technology, Limassol, Cyprus.
Frontiers in digital health
|July 24, 2025
概括
类激活图显示,带超声图像中的暗区域 (GS ≤ 25) 显著影响卷积神经网络 (CNN) 模型.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 心血管诊断心血管诊断
背景情况:
- 冠状动脉B模式超声波 (U/S) 评估了除狭窄外的中风风险,重点关注斑块形态和质地.
- 美国/美国图像中的柔光黑区 (JBA) 与中风风险相关.
- 卷积神经网络 (CNN) 用于高风险斑块识别,但它们的特征感知需要研究.
研究的目的:
- 确定类激活图 (CAM) 是否可以识别哪些基于灰度 (GS) 的斑块组成影响CNN对无症状 (ASY) 和症状 (SY) 斑块的理解.
- 研究特定斑块特征在基于CNN的中风风险评估中的作用.
主要方法:
- 利用Xception模型与转移学习用于B模式U/S纵向斑块图像上的特征提取.
- 在168张图像 (84张ASY,84张SY) 上训练了一层分类,在22张图像上进行验证,在46张图像上进行测试.
- 使用更快的Score-CAM生成热图并量化与ASY和SY病例相关的斑块组成区域.
主要成果:
- 在测试中,CNN模型实现了80.4%的准确度,82.6%的灵敏度和78.3%的特异性.
- 发现暗区域 (GS ≤ 25),包括JBA,对CNN对ASY和SY斑块的理解有很大影响.
- 化区域,纤维含量和脂质核总体显示与ASY斑块的联系更强.
结论:
- 暗色斑块区域 (GS ≤ 25) 显著影响CNN模型学习的斑块分类.
- 需要进一步的研究来验证这些特定斑块区域对基于CNN的中风风险评估的影响.
- 了解CNN特征感知对于改进人工智能驱动的诊断工具至关重要.
