基于多模态融合的肝脏纤维化自动分类的算法
曹鹏1
徐军1
张腾1
查俊豪2
李子昂1
1.南京信息工程大学人工智能学院智慧医疗研究院 南京 2100442.东南大学医学院 南京 210009
摘要：针对传统临床检查中血清生化物指标诊断精度较低,以及视觉评估磁共振图像无法精确对肝脏纤维化程度分级的缺点,设计了一种肝脏纤维化分级的多模态多通道融合的深度学习算法(MCMD-Resnet18).该算法充分利用磁共振图像数据和临床文本数据二者之间的语义信息,在网络的分类器阶段将图像文本两个通道数据实现融合,结合了两种模态的特性信息,最后对深度特征进行可视化,使得分类模型具有可解释性.实验证明,与单一模态的数据和临床通用方法相比,该算法在受试者工作特征曲线下的面积、准确率等指标上有更好的结果,模型性能更加稳定.该算法可以有效实现无创评估患者临床显著肝脏纤维化,具有广泛应用的价值.
关键词：多模态融合深度学习肝脏纤维化多通道
分类号：TP183(自动化基础理论)
资助基金：国家自然科学基金(U1809205)国家自然科学基金(62171230)国家自然科学基金(92159301)国家自然科学基金(61771249)国家自然科学基金(91959207)国家自然科学基金(81871352)
论文发表日期：2023-04-20
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：8( 791-797,837 )
英文信息