自动化深度瓶残留82层架构与贝叶斯优化用于大脑的分类和常见的母胎超声波平面

科学领域:

• 医学成像医学成像
• 医疗保健中的人工智能
• 产科和妇科 产科和妇科

背景情况:

• 尽管全球产妇死亡率下降,但在低收入和中等收入国家,产妇死亡率仍然很高.
• 准确的胎儿超声波解释对于产前护理至关重要,但需要大量的时间和专业知识.
• 需要自动化系统来提高胎儿超声波分析的效率和准确性.

研究的目的:

• 开发和评估用于分析胎儿超声波图像的自动计算机辅助诊断 (CAD) 系统.
• 提高识别常见的母胎平面和胎儿大脑平面的准确性和效率.
• 解决在资源有限的环境中手动超声波口译的挑战.

主要方法:

• 设计了一个新的82层深度学习架构,具有剩余的瓶机制,高速公路路径和跳过连接.
• 使用贝叶斯优化 (BO) 优化了超参数.
• 在使用神经网络进行分类之前,使用了改进的基于搜索的火焰优化算法来进行最佳特征选择.

主要成果:

• 拟议的深度学习模型在胎儿大脑平面上获得了78.5%的准确性,在普通的母胎平面上获得了79.4%的准确性.
• 与几个预训练的神经网络和最先进的优化算法相比,该系统的准确性得到了改进.
• 优化的特征选择减少了分类过程中的计算时间.

结论:

• 开发的基于深度学习的CAD系统显示了对胎儿超声波图像的准确和高效的自动化分析的巨大潜力.
• 这项技术可以支持医疗保健专业人员进行产前诊断,从而有可能减少孕产妇和胎儿医疗保健结果的差异.
• 进一步的研究和验证对于临床实施是有必要的.