深度多任务学习用于免疫光图像上的病诊断
Yibing Fu1, Lai Jiang1, Sai Pan2
1School of Electronic and Information Engineering, Beihang University, Beijing, China.
Computer methods and programs in biomedicine
|August 24, 2023
概括
这项研究介绍了DeepMT-ND,这是一种新的深度学习方法,用于从模糊的免疫光图像中诊断病. 与人类专家相比,DeepMT-ND显著提高了诊断准确度,即使有图像质量问题.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 腎臟病學 (nephrology) 是一種醫學專業.
背景情况:
- 免疫光成像 (IF) 对于病诊断至关重要,但通常会出现模糊,阻碍深度神经网络 (DNN) 的性能.
- 目前用于病诊断的DNN在模糊的IF图像上显示精度降低,限制了现实世界的应用.
研究的目的:
- 开发一种使用模糊免疫光成像诊断病的强有力的方法.
- 为了弥合低级别图像处理和高级别医疗诊断任务之间的差距.
主要方法:
- 建立了两个IF图像数据库 (IFVB,Real-IF) 与合成和现实世界的模糊.
- 提出了一种基于深层层次多任务学习的病诊断 (DeepMT-ND) 方法.
- 深度MT-ND同时进行病诊断,图像质量评估 (IQA) 和消除模糊.
主要成果:
- 深度MT-ND显示出比人类科医生更高的诊断准确度,改善率为15.4% (IFVB) 和6.5% (Real-IF).
- 该方法在辅助IQA和消除模糊的任务中取得了可比的性能.
- 在合成和现实世界的模糊IF图像数据集上验证的有效性.
结论:
- 深度MT-ND提供了一个新的分层多任务学习框架,用于在模糊的IF图像上改进病诊断.
- 该方法增强了DNN在临床病诊断场景中的潜力.
- 实验结果证实了DeepMT-ND的诊断准确性和概括能力.
