在怀孕期间感知胎盘超声波图像纹理演变,通过机器学习镜获得正常和不良结果
Urvashi Arora1, Debarka Sengupta1, Manisha Kumar2
1Indraprastha Institute of Information Technology Delhi, New Delhi, India.
Placenta
|August 12, 2023
概括
本研究介绍了使用机器学习 (ML) 进行的胎盘超声波图像纹理分析,以区分妊娠阶段和结果. ML模型准确地分类了胎盘图像,有助于区分正常和不良妊娠结果.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 产科 产科 产科 产科 产科
背景情况:
- 胎盘超声波图像纹理分析 (UPIA) 对于监测怀孕至关重要.
- 机器学习 (ML) 为分析复杂的医学图像提供了先进的工具.
研究的目的:
- 在第一个 (T1),第二个 (T2) 和第三个 (T3) 三季度中应用UPIA的ML技术.
- 评估ML模型在区分三季度和怀孕结果之间的胎盘纹理方面的性能.
主要方法:
- 一项前性观察性研究收集了来自三个三个月的2D胎盘超声波图像.
- 在UPIA中使用了深度学习,转移学习和视觉转换器模型.
- 图像数据分为培训 (80%),验证 (10%) 和测试 (10%) 的子集.
主要成果:
- EfficientNetB0模型实现了87.5%的准确性和0.749科恩·卡帕分数,用于T1和T3分类.
- ML模型在正常和不良妊娠结果之间区分了胎盘纹理,F1得分高达0.892.2.
- 对不良结果检测的灵敏度和特异性从T1 (77.4%,80.2%) 提高到T2和T3 (81.0%,93.9%).
结论:
- 为UPIA开发了一种基于ML的新技术.
- ML模型在分类胎盘纹理方面表现出很好的准确性.
- 这种方法显示出区分正常和不良妊娠结果的潜力.
