一个多特征对齐融合神经网络模型,用于使用血液超声波射频数据进行红细胞聚合分类

科学领域:

• 生物医学工程 生物医学工程
• 医疗成像医学成像
• 人工智能在医学中的应用

背景情况:

• 红细胞聚合评估对于诊断诸如缺血性心血管疾病,II型糖尿病和状细胞疾病等疾病至关重要.
• 超声波的非侵入性,实时性质使其适用于医疗应用,但现有的模型难以充分利用超声波射频 (RF) 信号中的信息来进行RBC聚合分类.

研究的目的:

• 开发一种新的多特征对齐融合神经网络 (MFAFNN),以提高使用超声波射频信号的红细胞聚合分类准确性.
• 改进超声波射频信号中常规和扩散信息的全面利用,以便更准确地评估红细胞聚合.

主要方法:

• 提出了一种多特征对齐融合神经网络 (MFAFNN),其中包括视觉变换器 (ViT) 用于常规特征提取和多线性序列注意网络 (MSAN) 用于扩散特征提取.
• 引入多信息自适应融合 (MAF) 以减轻融合特征的错误分类,并采用损失融合算法来实现特征对齐和多尺度信息保存.
• 使用了一组数据集,其中包括13个血液样本,在5%的血度间隔中具有不同程度的红细胞聚合.

主要成果:

• MFAFNN模型实现了94.95%的测试集精度和94.87%的F1得分.
• 与现有模型相比,在从超声波射频信号分类RBC聚合方面表现出卓越的性能.
• 拟议的模型有效地调整了正规和扩散特征,同时保留了多层次信息.

结论:

• 通过使用超声波射频信号,MFAFNN显著提高了RBC聚合分类的准确性.
• 这种新的方法为与红细胞聚合相关的疾病的非侵入性监测和诊断提供了一个有希望的工具.
• 开发的模型为生物医学应用提供了超声波射频信号的更全面的分析.