基于BI-Mamba的多视角胸部X光片心血管疾病检测
图像与视频处理
2024-05-30 v1 计算机视觉与模式识别
摘要
准确预测心血管疾病（CVD）风险在医学影像中对于有效的患者健康管理至关重要。先前的研究表明，计算断层扫描（CT）中的影像特征可帮助预测CVD风险。然而，CT伴随显著的辐射暴露，可能对患者的健康造成不良影响。相比之下，胸部X光射出的辐射水平显著较低，提供了更安全的选择。这一理由激励我们探讨使用胸部X光预测CVD风险的可行性。卷积神经网络（CNN）和Transformer是计算机辅助诊断中两种既定的网络架构。然而，由于缺乏大规模上下文建模能力或二次时间复杂性，两者在处理高分辨率胸部X光时面临挑战。灵感来自状态空间序列模型（SSM），一种在建模能力上与Transformer相当且具有线性时间复杂性的新型网络架构类，我们提出了双向Image Mamba（BI-Mamba）来补充单向SSM以获取相反方向的信息。BI-Mamba利用平行的前向和后向模块对多视角胸部X光进行远程依赖编码。我们在全国肺部筛查试验（NLST）中对10,395名受试者的图像进行了广泛实验。结果表明，BI-Mamba在参数规模可比的情况下优于ResNet-50和ViT-S，并在训练期间节省了大量GPU内存。此外，BI-Mamba的表现优于CT中的前沿方法，揭示了胸部X光在CVD风险预测中的潜力。
引用
@article{arxiv.2405.18533,
title = {Cardiovascular Disease Detection from Multi-View Chest X-rays with BI-Mamba},
author = {Zefan Yang and Jiajin Zhang and Ge Wang and Mannudeep K. Kalra and Pingkun Yan},
journal= {arXiv preprint arXiv:2405.18533},
year = {2024}
}
备注
Early accepted paper for MICCAI 2024