AACLiteNet：用于检测粗粒度腹主动脉钙化的轻量级模型
计算机视觉与模式识别
2024-09-27 v1
摘要
心血管疾病(CVDs)是全球死亡的主要原因，每年导致1790万人死亡。腹主动脉钙化(AAC)是CVD的已建立指标，可在侧面视图Vertebral Fracture Assessment(VFA)扫描中观察到，通常用于腰椎裂伤检测。早期检测AAC可能有助于通过鼓励预防措施来降低 developing临床CVDs的风险。手动分析VFA扫描以进行AAC测量耗时且需要经过培训的专业人员。最近 attempted自动化此过程，但所提出的模型要么准确率较低，要么缺乏粗粒度得分预测，要么在推理时间和内存占用方面过于沉重。在考虑到现有算法的这些不足之后，我们提出了'AACLiteNet'，一种轻量级深度学习模型，能够以高准确率预测AAC的累积级别和粗粒度得分，并且具有较小的内存占用和计算成本(浮点运算(FLOPs))。AACLiteNet实现了与以前最佳81.98%相比，显著提高的85.94%的平均准确率(以与反应方式计算)，并且以19.88倍更少的计算成本和2.26倍更小的内存占用，使其可在便携式计算设备上实现。
引用
@article{arxiv.2409.17203,
title = {AACLiteNet: A Lightweight Model for Detection of Fine-Grained Abdominal Aortic Calcification},
author = {Zaid Ilyas and Afsah Saleem and David Suter and Siobhan Reid and John Schousboe and William Leslie and Joshua Lewis and Syed Zulqarnain Gilani},
journal= {arXiv preprint arXiv:2409.17203},
year = {2024}
}
备注
10 pages including references