为了获得骨SR-microCT图像分类的知情CNN,使用无监督的基于补丁的图像集群
概括
深度学习图像分析有助于从同步辐射微型计算机断层扫描 (SR-microCT) 扫描中对骨健康进行分类. 这种方法提高了区分健康,骨质疏松和COVID-19受影响的股骨头的准确性.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 人工智能在医学中的应用
- 骨生物学 骨生物学 骨生物学
背景情况:
- 人类对同步射线微型计算机断层扫描 (SR-microCT) 图像的视觉检查难以识别微妙的骨微尺度差异.
- 深度学习 (DL) 为分析复杂的成像数据提供了潜力,但往往需要指导,以专注于相关细节.
研究的目的:
- 开发和评估一种基于DL的方法,用于从SR-microCT扫描中分类股骨头图像.
- 使用微观特征区分健康,骨质疏松和COVID-19受影响的骨组织.
主要方法:
- 使用无监督的基于补丁的集群来告知vgg16模型.
- 专注于腿部头部SR-microCT图像中的微观微尺度差异.
- 应用该方法将图像分类为健康,骨质疏松和COVID-19类别.
主要成果:
- 与未知方法相比,在对健康与骨质疏松症图像进行分类时,获得了高达9.8%的准确性改善.
- 在区分骨质疏松症和COVID-19受影响的骨方面表现出59.1%的准确性.
- 确定了健康骨与骨质疏松症骨的分类准确率为60.91%.
结论:
- 拟议的DL方法有效地根据微妙的,人类无法察觉的微观差异对大腿骨头的SR-microCT图像进行分类.
- 这种方法为使用先进的成像技术自动诊断骨质疏松症和COVID-19相关的骨变化等骨疾病提供了基础.


