在超声图像中自动检测子宫纤维瘤,使用深度卷积神经网络
Ahsan Shahzad1, Abid Mushtaq1, Abdul Quddoos Sabeeh1
1Rural Health Centre, Farooka, Sahiwal, Sargodha 40100, Pakistan.
Healthcare (Basel, Switzerland)
|May 27, 2023
概括
一个新的深度学习模型,DPCNN,通过超声波图像检测子宫纤维瘤 (UF) 达到99.8%的准确性. 使用深度学习 (DL) 进行自动诊断的这一进步表明了改善医疗成像分析的前景.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 深度学习用于诊断.
背景情况:
- 子宫纤维瘤 (UF) 是生育年龄妇女常见的良性瘤.
- 早期诊断UF对于有效治疗至关重要.
- 使用深度学习 (DL) 的自动诊断显示了提高UF检测准确性的潜力.
研究的目的:
- 评估最先进的DL架构 (VGG16,ResNet50,InceptionV3) 和一个用于UF检测的DPCNN.
- 评估微调策略对预先训练的DL模型对UF诊断的影响.
- 建立对UF先进计算机辅助诊断系统的基础.
主要方法:
- 利用Kaggle的超声波图像数据集,应用缩放,规范化和数据增强进行预处理.
- 经过VGG16,ResNet50,InceptionV3的培训和验证,以及一个新的DPCNN架构.
- 使用包括精度在内的各种指标评估模型性能.
主要成果:
- 拟议的DPCNN架构实现了最高的准确率99.8%.
- 微调的InceptionV3和ResNet50模型表现出强的性能,分别准确率为90%和89%.
- VGG16模型实现了85%的准确性,这表明DL架构的性能不同.
结论:
- 基于深度学习的方法是有效的自动UF检测从医疗图像.
- 与现有的DL模型相比,DPCNN架构在UF检测方面提供了更高的性能.
- 进一步研究用于医学成像分析的DL可以导致对UF进行增强的计算机辅助诊断系统.
