相关实验视频
Updated: Jul 24, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
444
基于具有多重注意力的状卷积神经网络的自动底部超声波图像分类
Jiachen Tan1, Yongquan Dong2,3, Junchi Li4
1School of Computer Science and Technology, Jiangsu Normal University, Xuzhou , 221116, Jiangsu, China.
BMC medical imaging
|July 6, 2023
概括
这项研究引入了一种新的深度学习模型,即多重注意力的罗卷积神经网络 (SVK_MA),用于从 fundus 超声图像中对玻璃体不透明度 (VO) 和后玻璃体脱落 (PVD) 的分类,从而提高诊断精度.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 玻璃体不透明 (VO) 和后玻璃体脱落 (PVD) 是常见的眼睛疾病.
- 目前的诊断依赖于耗时的手动解释 fundus 超声波图像.
- 需要自动诊断工具来提高眼科的效率和准确性.
研究的目的:
- 开发和评估一个深度学习模型用于VO和PVD的自动分类.
- 解决医学图像分析中传统卷积神经网络 (CNN) 的局限性.
- 引入一个端到端的语CNN与多重注意力 (SVK_MA) 增强功能学习.
主要方法:
- 提出了一个端到端的语CNN架构 (SVK_MA),结合了多重注意力机制.
- 在语网络的每个分支中使用了预训练的VGG16模型.
- 在特征提取和分类之前使用图像规范化.
主要成果:
- 该SVK_MA模型实现了高性能指标:0.940准确度,0.941精度,0.940回忆和0.939F1-分数.
- 与第二好的模型相比,表现出显著的改进,精度提高了2.5%.
- 在一个合作医院的临床数据集上验证了该模型的有效性.
结论:
- SVK_MA模型提供了一个有前途的自动化解决方案,用于从 fundus 超声波图像中分类 VO 和 PVD.
- 深度学习,特别是具有多重注意力的语网络,可以有效地帮助诊断眼科疾病.
- 这种方法有可能缩短诊断时间并改善眼科患者的护理.
