一个细分模型来检测部病变基于机器学习的镜图像的细分模型
Zhen Li1, Chu-Mei Zeng2, Yan-Gang Dong3
1Department of Gynecological Oncology, Zhongnan Hospital of Wuhan University, Wuhan, Hubei, 430071, China.
Heliyon
|November 6, 2023
概括
这项研究表明,DeepLabv3+模型通过准确地对结肠镜图像中的病变进行细分,显著改善了宫癌的诊断. 人工智能模型在识别高水平的宫病变和侵入性癌症方面优于人类专家和其他人工智能系统.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 语义细分对于医学图像诊断至关重要,但传统的深层卷积神经网络在细分任务中扎.
- 准确有效地检测高水平的宫病变和侵袭性癌症仍然是细分模型开发中的一个挑战.
研究的目的:
- 评估DeepLabv3+模型在镜图像中宫病变的语义细分的性能.
- 将DeepLabv3+模型的诊断效率与镜专家和其他AI模型进行比较.
主要方法:
- 一项对777名患有高水平子宫病变或侵袭性子宫癌的患者 (2018-2022) 的回顾性研究.
- 用了1554张结肠镜图像来训练和评估DeepLabv3+模型.
- 绩效指标包括准确性,精度,特异性和整个欧盟的平均交叉点 (mIoU).
主要成果:
- DeepLabv3+模型的准确度为93.29%,精度为87.2%,特异性为90.1%,mIoU为80.27%.
- 该模型的诊断效率高于镜专家和其他人工智能模型的诊断效率.
结论:
- 在DeepLabv3+模型显示强的性能分隔宫病变从colposcopic后酸图像.
- 这种人工智能模型可以作为一个有价值的工具,帮助科尔波斯科普师提高诊断准确度.
