DualPlaqueNet具有双分支结构和注意力机制,用于动脉斑块语义细分和尺寸预测
Lili Deng1, Xingyu Duan2, Yongxiang Sun1
1Department of General Medicine, The First People's Hospital of Zhengzhou, Zhengzhou, Henan, China.
Frontiers in physiology
|July 30, 2025
概括
一个新的深度学习模型,DualPlaqueNet,在超声波图像中准确地细分和预测动脉样硬化斑块的大小. 这种人工智能工具有助于对脑血管疾病和缺血性中风的临床风险评估.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心血管疾病 心血管疾病
背景情况:
- Carotid 动脉样硬化斑块是脑血管疾病和缺血性中风的重要原因,由全球衰老和生活方式变化加剧.
- 超声波图像存在诸如高噪音,低对比度和模糊边缘等挑战,阻碍了传统的斑块信息提取.
研究的目的:
- 开发DualPlaqueNet,这是一个深度学习模型,用于在超声波图像中语义细分和动脉斑块大小预测.
- 提供全面和准确的辅助信息,用于临床风险评估和个性化诊断和治疗脑血管疾病.
主要方法:
- 双PlaqueNet采用双分支架构,具有注意力机制和关节损失功能,以优化细分和回归.
- 一个多层的单维卷积结构被集成到有效通道注意力 (ECA) 模块中.
- 该模型经过287张带超声波图像的训练和验证,其性能与其他三种模型相比较.
主要成果:
- 在板块语义细分方面,DualPlaqueNet实现了卓越的性能,在所有指标上都超过了其他模型 (MIoU: 88.91%,DSC: 89.95%).
- 该模型准确地预测了斑块大小,显示了较低的平均平方误差 (MSE) 和平均绝对误差 (MAE),以及更高的确定系数 (R2).
结论:
- 双PlaqueNet模型的双分支设计和注意力机制有效地克服了超声波图像的限制.
- 在未来的临床应用中,DualPlaqueNet显示出作为精确的斑块细分和尺寸预测的辅助工具的巨大潜力.
