多阶段深度学习模型用于自动疾病分类,来自心脏影像MRI.

科学领域:

• 心脏病学 心脏病学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 心血管疾病 (CVD) 是全球主要的死亡原因.
• 磁共振成像 (MRI) 是一种非侵入性,黄金标准的成像技术,用于评估心脏功能和结构.
• 目前的CVD诊断依赖于专家对复杂的成像数据的解释.

研究的目的:

• 开发和评估一种深度学习模型,用于使用电影MRI对心血管疾病进行自动分类.
• 将心脏功能纳入,通过利用终端透气 (ED) 和终端静脉 (ES) 阶段来改进分类.
• 提供模型可解释性,以提高临床信任和理解.

主要方法:

• 研究了单相 (ED或ES) 和多相 (ED和ES) 深度学习模型 (ResNet,DenseNet,VGG).
• 在电影MRI数据集上训练并测试模型,用于心血管疾病分类.
• 采用可解释性技术,可视化心脏内特定疾病区域.

主要成果:

• 单相模型实现了F1测试得分为71.0% (ED) 和[公式:参见文本] (ES).
• 结合心脏功能的多相模型获得了更高的F1测试得分[公式:参见文本].
• 可解释性可视化突出显示了特定心血管疾病的指示区域,有助于解释.

结论:

• 深度学习模型可以有效地从电影MRI自动化CVD分类.
• 结合心脏功能的多相分析提高了分类性能.
• 模型可解释性对于临床采用和对人工智能驱动诊断的信任至关重要.