相关实验视频
Updated: Jul 11, 2026
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.9K
使用半U-Net架构与1D/2D CNNs进行胃食道逆流事件的细分
Azra Rasouli Kenari1, Hossein Rabbani2
1Medical Image and Signal Processing Research Center, School of Advanced Technologies in Medicine, Isfahan University of Medical Science, Isfahan, Iran.
Scientific reports
|October 23, 2025
概括
我们开发了一种新的半U-Net模型,用于从多通道内阻抗 (MII) 信号进行胃食道逆流 (GER) 事件细分. 与手动解释相比,这种AI方法显著提高了检测准确度和效率.
科学领域:
- 生物医学信号处理
- 医疗保健中的机器学习
- 胃肠病学 诊断 诊断 胃肠病学
背景情况:
- 从多通道内阻抗 (MII) 信号中检测胃食道逆流 (GER) 对患者管理至关重要.
- 目前用于GER的MII信号的手动解释是耗时的,并且由于缺乏高效的软件,容易出现错误.
- 公开发布MII信号数据集和GER注释对于推进研究至关重要.
研究的目的:
- 提出一种新的U-Net灵感的架构,集成2D和1D卷积神经网络 (CNN) 来从6通道MII信号中准确地细分GER事件.
- 开发一种高效,紧的模型,克服现有的GER检测方法的局限性.
- 为MII信号和GER注释提供公开可访问的数据集,以促进进一步的研究.
主要方法:
- 设计了一个半U-Net架构,利用2D CNN进行初始多通道特征提取,然后在随后的层中使用1D CNN来保存信号特征.
- 实施了后处理单元,以完善所有六个道的GER事件细分,确保与临床标准保持一致.
- 该模型在202个发作 (208个GER事件) 的数据集上进行了训练和验证,来自26名接受24小时MII pH监测的患者.
主要成果:
- 拟议的模型在GER事件细分方面取得了高性能,灵敏度为95.24%,正预测值为100%.
- 该架构在各种GER事件中表现出强大的通用性 (平均持续时间17.52±6.39s) 和适应不同输入持续时间的适应性.
- 该模型的紧设计和高效的参数利用在准确性和细分质量方面超过了现有的方法.
结论:
- 开发的半U-Net架构为从MII信号中对GER事件进行细分提供了强大的和高效的解决方案.
- 这种方法显著提高了24小时MII-pH监测的实用性,有助于进行外科手术的临床决策.
- 该数据集的公开发布将加速用于GER检测的先进AI算法的开发.
