对于膀监测智能超声波设备的记忆效率高的低计算细分算法
Zhiye Song1, Mercy Asiedu2,3, Shuhang Wang3
1Department of Electrical Engineering and Computer Science, Massachusetts Institute of Technology, Cambridge, MA, USA. zhiye@mit.edu.
Scientific reports
|September 30, 2023
概括
研究人员开发了一种轻量级的深度学习模型,用于高效的膀超声波分析. 这项技术可以在可穿戴设备上准确估计尿量,减少医疗负担并改善患者护理.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 手术后尿 (PUR) 是一个常见的问题,需要评估膀体积.
- 膀超声波有助于诊断PUR,减少导管治疗的需要和相关感染.
- 目前用于膀体积估计的机器学习算法是计算密集的,需要强大的硬件.
研究的目的:
- 开发和验证一个低计算,高记忆效率的深度学习模型,用于膀细分和尿液体积计算.
- 为了实现精确的膀体积监测,使用资源有限的可穿戴超声波设备.
- 为了减少现有的膀体积估计算法的计算需求.
主要方法:
- 开发并验证了一种低计算,高记忆效率的深度学习模型,使用B模式超声波膀图像从360名患者进行培训/验证和74名患者进行测试.
- 使用1位量子化与4位和6位跳过连接.
- 评估模型准确性与全精度最先进的神经网络相比,并评估内存需求.
主要成果:
- 通过使用1位量子化模型实现了完全精确的神经网络的[公式:参见文本]和[公式:参见文本]内的精度.
- 通过[公式:参见文本]和[公式:参见文本]降低了内存需求,在150kB以下的模型中没有浮点操作.
- 与临床医生的注释相比,证明的平均值和标准偏差量估计误差分别为[公式:见文本]ml和[公式:见文本]ml.
结论:
- 开发的轻量级神经网络适合集成到可穿戴超声波设备中,用于自动化尿量监测.
- 这种高效的模型解决了当前算法的局限性,为临床环境提供了实际的解决方案.
- 该方法显示了扩展到其他可穿戴健康监测应用程序的潜力.
