用基于U-Net的架构对膜状喉隙区域进行自动细分
Acquah Hackman1, Chih-Hua Chen2, Andy Wei-Ge Chen2,3,4
1Artificial Intelligence Development Center, Changhua Christian Hospital, Changhua, Taiwan.
The Laryngoscope
|January 13, 2024
概括
深度学习模型可以从视频强光镜图像中自动分割膜状喉隙区域. 高效的U-Net为临床声功能分析提供了有希望的速度和准确性的平衡.
科学领域:
- 医学成像分析分析 医学成像分析
- 声乐曲线的动态 声乐曲线的动态
- 医疗保健中的人工智能
背景情况:
- 视频强视镜是声功能评估的标准.
- 在临床环境中,对声参数的定量分析,比如膜状喉间隙区域,是耗时的.
研究的目的:
- 开发和验证深度学习模型,以自动细分膜状喉间隙区域.
- 为此任务评估基于U-Net的架构的效率和准确性.
主要方法:
- 五个基于U-Net的深度学习模型是使用2507张视频强光镜图像开发的.
- 模型在410张图像的独立数据集上进行了验证.
- 性能指标包括交叉与联合,子系数,豪斯多夫距离,平均平方误差和平均绝对误差.
主要成果:
- 有效的U-Net实现了对联盟 (0.8455) 和子系数 (0.9163) 的最高交叉点.
- 四个模型展示了实用的推理时间 (16-138毫秒),高效的U-Net是强的表演者.
- 准确计算正常化膜状光间隙面积指数得到了验证.
结论:
- 基于U-Net的架构能够自动细分膜状喉隙区域.
- 高效的U-Net由于其细分质量和速度,为临床应用提供了可行的选择.
- 开发的模型有助于对声参数和喉区域波形进行定量分析.
