多种规模,多种基础的波形投票网络用于对胎儿心率信号的自动分析

科学领域:

• 医疗成像和信号处理
• 医疗保健中的人工智能
• 胎儿监测技术的使用

背景情况:

• 对胎儿心率 (FHR) 记录的准确解释对于产后监测至关重要.
• 当前的深度学习模型往往忽略了FHR信号的时间频率结构,导致错过的检测和噪声易感性.
• 暂时加速 (Acc) 和减速 (Dec) 是关键指标,需要与基线FHR精确识别.

研究的目的:

• 推出WaveFHR-VNet,一种U-Net风格的波形投票网络,旨在分析联合时频域中的FHR信号.
• 克服1D序列分析的局限性,通过结合多个尺度,多个基础的波形变换.
• 提高FHR事件的检测准确度,减少对噪音和文物的敏感性.

主要方法:

• 在每个编码器块内,WaveFHR-VNet使用离散波形变换 (DWT) 来分离低频基线趋势和高频Acc/Dec模式.
• 跳过连接中的交互系数选择 (ICS) 模块学习注意力面具以过噪音并放大突出的瞬态.
• 与五个互补的波段基和投票层并行处理增强了光谱多样性,并消除了手动调.

主要成果:

• 与现有模型相比,WaveFHR-VNet在四个FHR数据集上实现了最先进的性能,在Dice,IoU和准确度指标方面取得了显著的改进.
• 该模型在LCU-DB基准指标上表现出卓越的表现,LCU-DB基准指标是用于FHR分析的广泛使用的公共数据集.
• 观察到强烈的跨数据集概括,WaveFHR-VNet始终优于所有比较模型.

结论:

• WaveFHR-VNet有效地分析时间频域中的FHR信号,利用波形变换来改进特征提取.
• 拟议的网络架构和模块增强了关键FHR事件的检测,同时减轻了噪音和工件.
• WaveFHR-VNet是一个可靠和准确的工具,用于计算机辅助解读和产后胎儿监测.