多个实例组合用于上鼻异常分类的上鼻.
Debayan Bhattacharya1,2, Finn Behrendt3, Benjamin Tobias Becker4
1Institute of Medical Technology and Intelligent Systems, Technische Universitaet Hamburg, Hamburg, Germany. debayan.bhattacharya@tuhh.de.
概括
这项研究引入了新的采样和多个实例组合 (MIE) 技术,以提高卷积神经网络 (CNN) 在分类鼻异常中的准确性. 这些方法提高了用于医疗图像分析的3D CNNs的通用性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 上鼻异常呈现出多样化的形态,挑战当前人工智能模型的准确分类.
- 目前用于对鼻腔异常的分类方法仅限于单个异常的识别.
- 在MRI扫描中精确地定位上鼻 (MS) 对于异常检测至关重要.
研究的目的:
- 调查使用3D卷积神经网络 (CNN) 来分类健康的上鼻 (MS) 和那些有息肉或囊的可行性.
- 开发和评估一种新的采样技术,以改善MS体积定位和数据集大小.
- 使用多个实例组合 (MIE) 预测方法来提高分类性能.
主要方法:
- 使用3D CNN架构 (ResNet,DenseNet) 进行MS异常分类.
- 实施了一种新的抽样策略,以改善MS本地化和增加培训数据.
- 应用多个实例组合 (MIE) 以提高预测准确度.
主要成果:
- 在3D CNN架构中观察到对分类性能的持续改进.
- 采样技术导致精度回忆曲线下的平均面积 (AUPRC) 增加21.86±11.92%.
- 综合采样和MIE导致ResNet的AUPRC平均增加28.86 ± 12.80%,DenseNet的9.85 ± 4.02%.
结论:
- 采样和MIE技术有效地提高了CNNs用于鼻异常分类的概括性.
- 通过使用3D CNNs,证明了使用3D CNNs对大鼻腔内的异常进行分类的可行性.
- 建议通过采样和MIE进行数据增强,作为检测鼻异常的有益策略.


