远程皮肤病学检查的自动化图像质量和协议遵守评估:第一个结果
Rodrigo de Paula E Silva Ribeiro1,2, Aldo von Wangenheim1,2
1Department of Informatics and Statistics, Federal University of Santa Catarina, Florianópolis, Santa Catarina, Brazil.
概括
深度学习可以自动化远程皮肤学图像质量检查. 这项研究表明,人工智能可以评估对图像采集协议的遵守,在专家审查之前提高效率.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 远程皮肤科 远程皮肤科
背景情况:
- 图像质量和协议遵守是关键的,但在远程皮肤病学中经常被忽视.
- 标准化图像采集对于准确的远程诊断至关重要.
研究的目的:
- 调查使用深度学习 (DL) 来自动评估远程皮肤学图像质量和协议遵守的可行性.
- 为了评估特定图像类型的DL模型:近似和全景图像.
主要方法:
- 使用了36102次远程皮肤学检查的数据集.
- 用人面具 - 基于区域的卷积神经网络 (RCNN) 用于近似图像和DensePose用于全景图像.
- 使用机器学习指标和与11名皮肤科医生进行的互评审协议 (IRA) 研究的验证结果.
主要成果:
- 面具-RCNN在近似图像分析中实现了96%的平均平均精度 (mAP).
- 在全景图像分析方面,DensePose实现了75%的mAP.
- 综合方法在IRA研究中通过Krippendorffalpha显示了96.68%的同意.
结论:
- 深度学习模型证明了在远程皮肤学中自动化图像质量和协议遵守性评估的可行性.
- 自动化评估可以在专家审查之前进行,这可能会提高效率和一致性.
- 这项技术支持在远程医疗机构提高诊断准确度.
