Cardio-EPNet：通过混合双路径边缘检测和像素感知神经网络对心血管疾病进行分类

《Journal of Medical and Biological Engineering》：Cardio-EPNet: Cardiovascular Disease Classification Via Hybrid Dual-Path Edge and Pixel Aware Neural Network

心血管疾病智能检测模型研究 采用双路径网络结构（边缘感知MAU-net与像素级ResNeSt）结合自适应去噪算法，显著提升心脏MRI图像分类精度至99.04%，在左室边界分割和跨模型对比中表现优异

　　

摘要

目的

心血管疾病（CVD）仍然是全球死亡的主要原因之一，这凸显了开发准确且自动化的诊断模型的必要性。本研究旨在设计一种新型的心脏EPNet（Cardio-EPNet），用于对心脏磁共振成像（MRI）图像进行分类。核心研究问题是：这种结合边缘信息和像素信息的双路径网络是否能够提高分类准确性和分割精度。

方法

所提出的Cardio-EPNet采用自适应不锐化掩模引导滤波器（AUMGF）来去除心脏MRI图像中的噪声伪影。该网络结合了边缘感知路径和特征感知路径，以实现高效的心血管疾病类别分类。边缘感知路径利用基于多注意力的U-Net（MAU-net）精确分割左心室（LV）边界；特征感知路径则通过Pixel-Level ResNeSt从无噪声图像和分割后的图像中提取空间和纹理特征。这两种特征表示被融合并在多层感知器中进行处理，最终将MRI图像分为三类：正常对照组（NC）、冠状动脉疾病（CAD）和外周动脉疾病（PAD）。

结果

实验结果表明，所提出的Cardio-EPNet在心血管疾病病例分类方面的整体准确率为99.04%。Dice指数和Jaccard指数均证明了其优越的分割一致性。此外，与基于机器学习的预测模型（O-SBGC-LSTM、CNN和基于MobileNet v2的DNN）相比，Cardio-EPNet的准确率分别提高了0.54%、1.06%、0.82%和1.06%。

结论

所提出的Cardio-EPNet有效整合了边缘信息和像素级特征学习，实现了稳健的心血管疾病检测。其双路径设计为早期和自动化的CVD检测提供了可靠的框架，显著提升了诊断准确性。