应用机器和深度学习方法来分类Gougerot-Sjögren综合征和联合细分的唾液腺

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 戈格罗特-斯约格伦综合征 (GSS) 诊断依赖于各种方法,超声波成像 (美国) 显示出有希望的结果.
• 超声波图像通常具有较弱的信号噪声比,这使得对分类和细分等任务的分析变得复杂.
• 精确检测和细分受影响的组织对于有效的GSS诊断至关重要.

研究的目的:

• 开发和评估一种自动化系统,用于使用超声波成像检测古格罗特-斯约格伦综合征 (GSS).
• 通过解决美国图像中信号噪声比较低所带来的挑战,提高GSS检测的准确性.
• 将传统的机器学习与放射学特征与GSS诊断的新型深度学习方法进行比较.

主要方法:

• 实施了两阶段的深度学习培训策略,包括联合分类和细分作为预培训.
• 基于放射学的特征提取的机器学习被用作比较方法.
• 拟议的深度学习模型经过训练,可以执行唾液腺细分和GSS检测分类.

主要成果:

• 拟议的两阶段深度学习方法实现了与人类专家可比的细分结果.
• 获得了唾液腺的熟练细分,以及对检测Gougerot-Sjögren综合征的有希望的结果.
• 在使用双相方法训练的模型中观察到GSS检测的最大精度.

结论:

• 深度学习技术,当与超声波成像和放射学相结合时,为诊断Gougerot-Sjögren综合征提供了一个有希望的途径.
• 开发的两阶段训练方法提高了GSS检测和唾液腺细分的深度神经网络的性能.
• 超声波图像的自动化分析具有显著的潜力,可以提高风湿病学和相关领域的诊断能力.