ASNET:一种新型的人工智能框架,用于通过MRI准确诊断结椎炎
Nevsun Pihtili Tas1, Oguz Kaya2, Gulay Macin3
1Department of Physical Medicine and Rehabilitation, Health Sciences University Elazig Fethi Sekin City Hospital, Elazig 23280, Turkey.
Biomedicines
|September 28, 2023
概括
这项研究引入了一种新的混合深度学习模型,用于使用MRI进行早期结性脊柱炎 (AS) 诊断. 该模型实现了高准确性,有可能改善患者的治疗结果并降低医疗保健成本.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 类风湿病学 类风湿病学
背景情况:
- 结节性脊柱炎 (AS) 是一种慢性,渐进的脊髓疾病,在早期阶段具有诊断挑战.
- 目前对AS的诊断方法在早期检测方面存在局限性.
- 早期诊断AS对于改善患者的生活质量至关重要.
研究的目的:
- 开发和验证一款预训练的混合深度学习模型,用于使用磁共振成像 (MRI) 诊断结性脊髓炎 (AS).
- 评估模型在新型MRI数据集上的表现.
- 探索非对比增强MRI用于AS诊断的潜力.
主要方法:
- 开发了一个新的深度特征工程模型,集成了三个预训练的卷积神经网络 (CNN):DenseNet201,ResNet50和ShuffleNet.
- 转移学习被用来从MRI扫描中提取深度特征.
- 使用特征选择和k-最近邻居 (kNN) 分类,然后使用代多数投票 (IMV) 进行最终分类.
主要成果:
- 拟议的模型在轴向图像上实现了高性能指标 (准确率:99.80%,回忆率:99.60%,精度:100%,F1得分:99.80%).
- 冠状图像也显示出出色的结果 (准确率:99.45%,回忆率:99.20%,精度:99.70%,F1得分:99.45%).
- 对比度增强图像的性能也很强 (准确率:95.62%,回忆率:80.72%,精度:94.24%,F1得分:86.96%).
结论:
- 开发的混合模型在使用MRI数据对结性脊髓炎 (AS) 的分类方面表现出高效.
- 该模型在不同MRI视图和病例中的强大性能突出显示了其通用性.
- 仅使用轴形图像诊断AS,没有对比度增强,提供了显著的医疗保健和经济优势.
