Die Studie befasst sich mit der Entwicklung eines automatischen Systems zur Diagnose von Aortenklappenstenose (AS) aus Ultraschallbildern des Herzens. Herkömmliche Ansätze haben Schwierigkeiten, da jede Echokardiographie-Untersuchung aus Dutzenden von Bildern verschiedener Ansichten besteht, von denen nur einige für die AS-Bewertung relevant sind.
Die Autoren entwickeln einen neuen End-to-End-Ansatz für Multiple-Instance-Learning (MIL), der zwei Schlüsselinnovationen beinhaltet:
Überwachte Aufmerksamkeit: Ein überwachter Aufmerksamkeitsmechanismus lenkt die Aufmerksamkeit des Modells auf für die AS-Diagnose relevante Ansichten, ähnlich wie ein menschlicher Experte.
Selbstüberwachtes Lernen auf Studienebene: Eine neuartige Strategie für selbstüberwachtes Lernen konzentriert sich auf die Repräsentation der gesamten Echokardiographie-Studie anstelle einzelner Bilder, was zu besseren Studiendarstellungen führt.
Die Experimente zeigen, dass der vorgeschlagene Ansatz (SAMIL) eine höhere Genauigkeit bei deutlich kleinerer Modellgröße erzielt als bisherige Methoden. SAMIL übertrifft auch andere state-of-the-art MIL-Architekturen deutlich. Die Ergebnisse auf einem externen Datensatz bestätigen die Leistungsfähigkeit des Ansatzes für das klinische Screening von Aortenklappenstenose.
Egy másik nyelvre
a forrásanyagból
arxiv.org
Mélyebb kérdések