PCA-KMeansと注意力を増強したMobileNet-LSTMモデルによる擬似ラベルを用いた胎児の超音波画像分類方法

科学分野:

• 医療用イメージング
• 人工知能
• 生物医学工学

背景:

• 胎児の超音波画像の正確な分類は,早期診断に不可欠ですが,ラベルのデータが限られており,クラス間の高変動が妨げられます.
• 既存の方法はデータ不足と不均衡に苦しんでおり 診断の信頼性に影響を与えています

研究 の 目的:

• 胎児の超音波画像の分類を強化するための強力なディープラーニングフレームワークを開発する.
• レーベル付きのデータと クラス不均衡の課題を 無監督学習技術で解決する

主な方法:

• MobileNet,マルチヘッド自己注意,LSTMレイヤを組み合わせたハイブリッドのディープラーニングアーキテクチャが設計されました.
• 主要成分分析 (PCA) とK-meansを用いた無監督クラスタリングは,擬似ラベル生成とクラスバランスに用いられた.
• 移転学習は,モデルトレーニングのための拡張データセットで利用されました.

主要な成果:

• 提案されたモデルは約98%のテスト精度を達成しました.
• マクロF1スコアは0. 98で,非常に信頼性の高い分類性能を示しています.
• このフレームワークは,テストデータセットに強い汎用性を示した.

結論:

• 開発されたディープラーニングの枠組みは,胎児の超音波画像の分類のための機能学習と時間的な文脈を効果的に強化します.
• 無監督の擬似ラベルとクラスバランス戦略は,データ不足と不均衡の問題に成功しました.
• このモデルの高い精度とマクロF1スコアは,信頼性の高い臨床応用の可能性を示しています.