AdaRes:一种基于深度学习的超声图像无色化模型:图像质量指标,放射学,人工智能和临床研究的结果

科学领域:

• 医学成像医学成像
• 人工智能的人工智能是人工智能.
• 信号处理 信号处理

背景情况:

• 超声波图像质量经常受到斑点和高斯噪声的影响,阻碍了准确的诊断.
• 现有的无色化方法可能会扭曲重要的图像纹理和特征.

研究的目的:

• 开发和评估一种基于深度学习 (DL) 的过器,用于增强超声波图像消噪.
• 评估波器对图像质量指标,放射学特征和诊断性能的影响.

主要方法:

• 提出了一种基于学习的新型自适应残留 (AdaRes) DL波器.
• 用五个图像质量指标 (IQM) 和27个放射性特征来评估denoising性能.
• 评估过器对四名预先训练有素的卷积神经网络 (CNN) 分类器和三名放射科医生的影响.

主要成果:

• 在自然和超声波图像数据集上,AdaRes在各种噪声级别上展示了卓越的消除噪声.
• 放射性分析证实,AdaRes保留了组织纹理和大多数放射性特征.
• 过器提高了基于CNN的分类性能,并提高了放射科医生的诊断准确性 (AUC从0.494到0.702) 来进行病变分类.

结论:

• AdaRes过器有效地消除了超声波图像中的噪声,作为计算机辅助诊断的宝贵预处理步骤.
• 通过减少噪音和提高清晰度,AdaRes可以帮助放射科医生改善超声波图像的解释.