在超声波图像中使用面具R-CNN进行动脉斑块细分
Maxwell J Kiernan1, Rashid Al Mukaddim1, Carol C Mitchell2
1Department of Medical Physics, University of Wisconsin School of Medicine and Public health (UW-SMPH), 1111 Highland Ave #1005, Madison, WI 53705, United States.
ArXiv
|August 6, 2025
概括
这项研究完善了Mask R-CNN模型,用于在带超声图像中自动检测动脉样斑. 改进的检测有助于早期诊断和心血管疾病的干预.
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:
- 超声波成像对于诊断动脉样硬化至关重要,这是心血管和脑血管事件的前体.
- 非侵入式超声波提供实时的高分辨率图像,用于评估动脉斑块.
- 早期发现斑块有助于及时进行干预,降低不良心血管事件的风险.
研究的目的:
- 改进一个Mask R-CNN模型,用于在动脉超声波中自动检测和细分动脉硬性斑块.
- 为斑块区域生成边界框 (BB),以支持超声波弹性学工作流.
主要方法:
- 使用PyTorch火视觉实现的Mask R-CNN用于检测心血管斑块.
- 在118个严重的狭窄性动脉斑块的数据集上训练和测试模型.
- 分析了基于不同数量的预测区域的单个和组合模型预测.
主要成果:
- 该模型与5个最大BB预测区域进行训练,并与2个区域进行测试,实现了0.74的子得分和0.61.6的IOU.
- 对模型的综合分析显示,性能略有提高,Dice和IoU分数分别为0.76和0.61.
- 个别模型的性能因允许的预测区域数量而异.
结论:
- 通过结合各种患者数据集,可以提高Mask R-CNN网络的准确性.
- 由于斑块呈现的显著差异,培训数据的变化增加是必不可少的.
- 进一步扩展数据集将提高自动化斑块检测的稳定性.
更多相关视频
04:25Author Spotlight: Bridging Gaps in Anatomy and Establishing a Foundation for Algorithmic Studies
Published on: December 15, 2023
2.9K
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
77
