.png){kind=icon}
返回
Explainable variable-weight multi-modal based deep learning framework for catheter malposition detection
.png){kind=icon}
OA
AI
DOI：10.1016/j.inffus.2025.103170.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
住院患者可能会因快速给药或进行医学检查而插入导管和导管。然而，位置不当的导管可能导致严重并发症，甚至死亡。近年来，深度学习框架已显示出在放射影像中辅助检测导管位置不当的潜力。然而，深度学习位置不当检测框架面临三大主要挑战：(1) 大多数方法高度依赖视觉信息，需要具有大量参数的模型才能实现准确检测。(2) 放射影像中的几何信息对于专家决策至关重要，但由于准确提取并整合该信息与视觉信息的固有复杂性，这些信息通常未被充分利用。(3) 导管状态检测中的特征重要性往往未被充分探索，导致框架难以解释，并需要一种机制来突出影响决策的关键因素。因此，为解决这些挑战，提出了一种可解释的变权重多模态深度学习框架，用于融合放射影像中的视觉和几何信息以检测导管位置不当。设计了卷积神经网络（CNN）流和图卷积神经网络（GCN）流，其可学习参数较少，用于提取视觉和几何信息，且不损害性能。提出了跨模态注意力块以捕捉视觉和几何信息之间的关系。此外，提出了多模态变权重结构，根据各模态的重要性进行融合。为可视化各模态的贡献，设计了多模态类激活映射（MCAM），用于可视化放射影像中的激活区域，显示框架关注的部位。所提出的方法取得了最先进的表现，在7.62百万参数下获得了0.8816的平均AUC。
Keyword:
Class activation map
Graph neural network
Convolution neural network
Multimodal feature integration
Variable-weight neural network
Catheter
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
15.5
论文数:
4.2K
被引数:
2.7W
机构
引用论文
分享收藏Pathomic Fusion: An Integrated Framework for Fusing Histopathology and Genomic Features for Cancer Diagnosis and Prognosis病理学融合: 融合癌症诊断和预后的组织病理学和基因组特征的集成框架OAAI
OAAI分享收藏分享收藏A Case Study of Quantizing Convolutional Neural Networks for Fast Disease Diagnosis on Portable Medical Devices量化卷积神经网络在便携式医疗设备上快速疾病诊断的案例研究.png)
SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏
查看更多内容