基于可解释深度学习方法对B超图像中颈动脉粥样斑块进行分层
图像与视频处理
2022-02-08 v1 计算机视觉与模式识别
机器学习
摘要
颈动脉动脉粥样硬化是缺血性卒中的主要原因，每年导致大量的死亡和残疾。此类病例的早期诊断十分重要，因为它能使临床医生采用更有效的治疗策略。本文提出了一种可解释的颈动脉超声图像分类方法，用于颈动脉粥样斑块患者的风险评估与分层。为解决有症状与无症状类别间患者分布高度不平衡（分别为16例与58例）的问题，采用了基于子采样方法的集成学习方案，以及使用原始数据集与重采样数据集的两阶段代价敏感学习策略。利用卷积神经网络（CNN）构建集成模型的基础模型。使用一个六层深度CNN自动从图像中提取特征，随后通过两个全连接层进行分类。所得结果（受试者工作特征曲线下面积（AUC）：73%，灵敏度：75%，特异度：70%）表明，所提方法取得了可接受的判别性能。最后，对模型预测应用可解释性方法，以揭示模型决策过程的见解，并有助于识别用于颈动脉粥样斑块患者分层的新型图像生物标志物。临床相关性——将可解释性方法与深度学习策略相集成，有助于识别用于颈动脉粥样斑块患者分层的新型超声图像生物标志物。
引用
@article{arxiv.2202.02428,
title = {Stratification of carotid atheromatous plaque using interpretable deep learning methods on B-mode ultrasound images},
author = {Theofanis Ganitidis and Maria Athanasiou and Kalliopi Dalakleidi and Nikos Melanitis and Spyretta Golemati and Konstantina S Nikita},
journal= {arXiv preprint arXiv:2202.02428},
year = {2022}
}
备注
Accepted at 2021 43rd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC)