由于结构限制,用于慢性中耳炎和胆固醇瘤识别的深度特征融合
Cong Cao1, Jian Song2,3,4, Ri Su1
1School of Mathematics and Statistics, Central South University, Changsha, 410083 China.
Multimedia tools and applications
|June 26, 2023
概括
这项研究引入了一种新的深度学习算法,用于使用CT扫描精确区分慢性性耳中炎 (CSOM) 和中耳胆固醇瘤 (MEC). OMCNIC分类器实现了96.36%的准确性,帮助耳科医生选择治疗并减少并发症.
科学领域:
- 耳鼻喉科 耳鼻喉科 耳鼻喉科
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 慢性性中耳炎 (CSOM) 和中耳胆固醇瘤 (MEC) 是常见的慢性中耳病,需要准确的差异诊断.
- 骨的高分辨率计算机断层扫描 (CT) 是诊断中耳疾病 (MED) 的主要成像方式.
- 由于不同的病因,表现和治疗策略,区分CSOM和MEC至关重要.
研究的目的:
- 开发和验证基于深度学习的自动分类系统,以区分CSOM和MEC与骨CT图像.
- 为了提高诊断准确性和有效性,识别这些常见的中耳病理.
- 提供一种工具,帮助耳科医生在临床决策中,并有可能减少并发症.
主要方法:
- 使用兴趣区域 (ROI) 网络从骨CT图像中对中耳区域进行细分.
- 一个结构受约束的深度特征融合算法集成了来自CSOM,MEC和正常中耳补丁的特征.
- 一个图形异态网络被用来融合基于邻近特征和坐标距离的结构信息.
主要成果:
- 开发的分类器被命名为"中耳炎,胆固醇瘤和正常识别分类器" (OMCNIC),在分类CSOM和MEC时达到96.36%的高准确性.
- 结构受约束的深度特征融合算法在快速准确地分类这些条件方面表现出有效性.
- 实验结果证实了拟议方法在临床环境中的潜力.
结论:
- 新的深度学习方法有效地区分CSOM和MEC,使用高分辨率CT扫描.
- OMCNIC分类器为耳科专家提供了一个有前途的工具,提高了诊断精度,并有助于治疗规划.
- 这种自动化分类系统有可能减少误诊和中耳疾病管理中的相关并发症.
