CLIF-Net:交叉导向的交叉视图融合网络,用于从头骨超声波检测感染

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 新生儿健康 新生儿健康

背景情况:

• 在婴儿中早期发现可能的严重细菌感染 (pSBI) 对及时治疗和改善结果至关重要.
• 头骨超声波 (cUS) 是新生儿评估的有价值的成像方式,提供多视图数据 (冠状和状).
• 使用cUS检测psbi的现有方法可能无法充分利用多视图成像提供的丰富信息.

研究的目的:

• 开发和评估一个新的深度学习框架,CLIF-Net,以使用多视图cUS图像增强在婴儿中PSBI的检测.
• 为了利用冠状和斜面cUS视图之间的几何重叠,创建一个强大的3D表示,以提高诊断准确性.
• 改进用于识别新生儿严重细菌感染的最先进方法.

主要方法:

• 交叉导向的交叉视图局部和图像级融合网络 (CLIF-Net) 的开发,这是一个使用两个不同的卷积神经网络分支的深度学习框架.
• 实现多层融合块与交叉注意模块的实现,以提取和增强冠状和形cUS图像交叉区域的语义特征.
• 通过图像级融合层集成增强功能,为psbi和非psbi输出类概率.

主要成果:

• 与现有技术相比,CLIF-Net在检测PSBI方面表现显著提高.
• 该框架有效地利用了多视图cUS图像,为psbi检测创建了一个强大的3D表示.
• 对来自乌干达的302个cUS扫描数据集的评估显示出卓越的结果,超过了当前最先进的感染检测方法.

结论:

• 通过使用多视图cUS数据,CLIF-Net框架为婴儿的psbi检测提供了一种新且有效的方法.
• 利用几何关系和交叉视图特征显著提高了新生儿感染检测的准确性.
• 这种方法代表了利用人工智能用于新生儿感染诊断的重大进步,具有更广泛临床应用的潜力.