用变压器增强检测器进行光学连贯性断层扫描中的损伤检测
Hanya Ahmed1, Qianni Zhang1, Ferranti Wong2
1Department of Electronic Engineering and Computer Science, Queen Mary University of London-QMUL, London E1 4NS, UK.
Journal of imaging
|November 24, 2023
概括
一个新的深度学习框架,变压器增强检测 (TED),有效地识别了光学连贯断层扫描 (OCT) 图像中的异常. 这种人工智能工具可以提高牙腐烂和肺结节等疾病的诊断准确度.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 深度学习用于异常检测.
背景情况:
- 光学连贯断层扫描 (OCT) 是一种在眼科和牙科中使用的有价值的成像技术.
- 在OCT图像中的斑点噪声对准确的临床诊断构成了重大挑战.
- 现有的深度学习算法在OCT数据中难以准确检测异常.
研究的目的:
- 提出一个新的基于区域的深度学习框架,即变压器增强检测 (TED),用于在OCT图像中检测异常.
- 通过准确识别和清除噪音工件和其他异常来增强诊断能力.
- 改善跨不同医疗专业的OCT获取图像的临床解释.
主要方法:
- 开发了变压器增强检测 (TED),这是一个集注意力门 (AG) 的深度学习框架.
- TED专注于前景识别,同时检测和删除噪音工件作为异常.
- 评估了TED在两个牙科OCT数据集和一个CT数据集 (肺结节,肝脏) 的表现.
主要成果:
- 在牙科数据集和CT扫描中的各种病变中,TED成功检测了牙.
- 与现有的深度学习检测算法相比,实现了卓越的性能.
- 显著的改进:牙科数据集的精度增加了16-22%和交叉在欧盟 (IOU) 的10%;CT数据集的改进为9%和20%.
结论:
- 提议的TED框架为OCT图像中的异常检测提供了一个强大的解决方案.
- TED提高了诊断准确度,并帮助跨多种医疗模式进行临床解释.
- 这种深度学习方法显示了推进医学图像分析的巨大潜力.
