基于双相转移学习的自闭症儿童面部图像分类方法

科学领域:

• 计算机科学 计算机科学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 自闭症谱系障碍 (ASD) 对儿童的生活产生重大影响,需要早期发现和干预.
• 通过移动设备进行面部特征分析为查潜在的自闭症病例提供了潜在的途径.
• 现有的基于移动的ASD查深度学习模型在性能 (AUC) 和图像大小适合性方面存在局限性.

研究的目的:

• 提出一种深度转移学习方法,以使用手机面部图像改进ASD查.
• 提高适合移动的深度学习模型的分类性能 (AUC).
• 为了应对移动终端兼容性大输入图像大小的挑战.

主要方法:

• 一种新的深度转移学习方法,采用双相转移学习模式.
• 使用多个分类器集成模式集成多个分类器 (MobileNetV2,MobileNetV3-Large).
• 开发用于最终分类的多分类器集成计算方法.

主要成果:

• 与单相相比,双相转移学习显著提高了MobileNetV2和MobileNetV3-Large的分类性能.
• 综合分类器的表现优于各个参与分类器.
• 获得了90.5%的准确性和96.32%的AUC,比之前的研究提高了3.51%.

结论:

• 拟议的双相转移学习和多分类器集成方法有效地通过移动面部图像分析增强了ASD查.
• 这种方法为ASD早期检测提供了一个有希望的,高性能的解决方案,适合移动应用.
• 与现有技术相比,该方法表现出优异的分类性能,特别是在AUC方面.