通过智能图像检索系统来提高诊断准确度,用于检测肺部病理:一种特征提取器方法
Abdelbaki Souid1, Najah Alsubaie2, Ben Othman Soufiene3
1MACS Research Laboratory RL16ES22, National Engineering School of Gabes, Gabes, Tunisia.
Scientific reports
|October 3, 2023
概括
这项研究引入了一种新的深度学习系统,用于检索类似的肺病理图像. 人工智能模型显著提高了医学图像分析的准确性和效率,帮助放射科医生.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机科学 计算机科学
背景情况:
- 精确检测肺部病理对于诊断至关重要,而像X射线和CT扫描等医学成像技术至关重要.
- 深度学习 (DL) 在分析医疗图像以检测肺病理方面具有潜力,但面临着数据需求和偏差的挑战.
- 目前用于检索类似的注释医疗图像的现有方法可能是低效的,缺乏精度.
研究的目的:
- 开发一种先进的计算机辅助系统,自动检索具有类似内容的注释医疗图像.
- 通过使用深度学习来提高医疗图像分析特征提取的效率和准确性.
- 提供一个工具,帮助放射科医生在他们的工作流程,通过促进检索相关的诊断图像.
主要方法:
- 开发了一种基于深度学习的新型特征提取器,将YOLOv5用于对象检测和EfficientNet用于降低噪音.
- 该系统旨在从大型数据库中自动检索类似的注释胸部X射线图像.
- 在广泛而多样化的医疗图像数据集上进行了严格的实验.
主要成果:
- 拟议的系统在0.9值时实现了0.488的平均平均精度 (mAP),显著优于YOLOv5+ResNet (0.234) 和EfficientDet (0.257).
- 与基线模型相比,观察到大约0.352的实质性精度改善,在所有病理上达到0.864.
- YOLOv5和EfficientNet的融合在医学图像检索的特征提取方面表现出卓越的性能.
结论:
- 开发的系统在自动检索类似的注释医疗图像方面取得了重大进展.
- YOLOv5和EfficientNet的融合为医学成像中的特征提取提供了一个强大而准确的方法.
- 这项研究有助于提高放射科医生的工作流程效率和诊断准确度,以确定肺病理.
