.png){kind=icon}
返回
Landmark-based graph convolutional neural network for interpretable catheter malposition detection
.png){kind=icon}
OA
AI
DOI：10.1016/j.knosys.2025.114993.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
住院患者可以在入院期间插入导管和管道，以快速给药或进行医学测试，尤其是中心静脉导管（CVCs）。在插入过程之后，通常基于X射线图像验证导管的位置以检测错位，避免一系列并发症。最近，深度学习框架已显示出在X射线图像中协助检测CVC错位的潜力。然而，这些深度学习方法面临三个主要挑战：1）X射线图像中解剖标志的缺失和模糊性，使得基于标志标注的框架的实施特别具有挑战性。2）大多数现有的深度学习框架具有大量参数和巨大的计算工作量。3）对于深度学习框架检测错位导管而言，特征的重要性尚未得到充分研究，这可能影响对深度学习模型结果的理解。因此，本研究提出了一种基于图卷积神经网络（GCN）的框架来检测导管错位。它实现了AUC为0.867，参数量为0.0229百万。即使缺少标志，它仍能实现AUC为0.855。结果表明，所提出的框架能够容忍胸部X射线（CXRs）中缺失和模糊的标志，并获得可接受的检测性能。此外，所提出的方法以相对较少的参数实现了最先进的表现。此外，对于导管错位检测更为重要的特征可以通过所提出的框架得到验证，使导管错位检测框架更具可理解性。
Keyword:
X-ray
Landmark
Catheter malposition detection
Graph convolution network
Feature significance
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
K
IF:
7.6
论文数:
1.2W
被引数:
4.5W
机构
暂无机构信息
引用论文
Central Venous Catheter Intravascular Malpositioning: Causes, Prevention, Diagnosis, and CorrectionOAAI
OAAI分享收藏Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via Volumetric Pseudo-Labeling.png)
IF0
PREAI
分享收藏Learning Complete Protein Representation by Dynamically Coupling of Sequence and Structure通过序列与结构的动态耦合学习完整蛋白质表示
PREAI
分享收藏
分享收藏
查看更多内容