相关实验视频
Updated: Jul 9, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.2K
使用嘴唇粘膜图像转移学习卷积神经网络的非侵入性检测贫血
Mohammed Mansour1, Turker Berk Donmez2, Mustafa Kutlu1
1Mechatronics Engineering Department, Sakarya University of Applied Sciences, Serdivan, Sakarya, Türkiye.
Frontiers in big data
|November 29, 2023
概括
这项研究表明,人工智能可以通过分析唇部图像来检测贫血. 深度学习模型,特别是Xception,在识别贫血相关的白方面取得了很高的准确性,提供了潜在的新诊断工具.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 血液学 血液学 血液学
背景情况:
- 贫血是一种血红细胞或血红蛋白减少的情况.
- 皮肤白是贫血的指标,最明显的是在皮肤薄的区域,如嘴唇.
- 客观地量化贫血相关的白仍然是一个挑战.
研究的目的:
- 为了研究贫血相关的白和血清值之间的关系.
- 开发和评估人工智能模型,使用唇部图像检测贫血.
- 评估深度学习架构在从面部图像中分类贫血方面的有效性.
主要方法:
- 从138名志愿者 (100名女性,38名男性) 中创建了一个唇部粘液图像数据集.
- 包括VGG16,Xception,MobileNet和ResNet50在内的深度学习模型使用转移学习进行了预训练.
- 在将图像与卷积神经网络 (CNN) 分类之前,应用了图像处理和数据增强.
主要成果:
- 在分类贫血与健康的嘴唇图像方面,Xception模型实现了最高的准确性 (99.28%).
- 移动网络,ResNet50和VGG16表现出强的表现,准确率分别为96.38%,95.65%和92.39%.
- 使用准确度,精度,回忆和F1分数等统计指标来评估模型性能.
结论:
- 深度学习方法,利用唇部图像,显示出诊断贫血的巨大潜力.
- 在这个贫血检测任务中,Xception CNN架构表现出了卓越的性能.
- 未来的工作旨在增强实时贫血分类数据集.
