基于改进的轻量级网络进行肌肉骨异常的诊断,用于多个模型的融合
Zhigao Zeng1,2, Changjie Song1,2, Qiang Liu1,2
1School of Computer Science, Hunan University of Technology, Zhuzhou 412007, China.
Mathematical biosciences and engineering : MBE
|February 2, 2024
概括
本研究介绍了FusionNet,这是一个先进的深度学习模型,用于诊断肌肉骨异常. FusionNet提高了诊断准确度,同时降低了模型复杂性和提高了效率.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 对于肌肉骨异常诊断的深度学习模型面临着模型复杂性和性能限制的挑战.
- 单个深度学习网络模型往往难以实现最佳的诊断准确性.
研究的目的:
- 开发一个改进的深度学习模型,用于加强肌肉骨异常的诊断.
- 通过整合多个架构来解决现有的单一模型方法的局限性.
主要方法:
- 拟议的FusionNet将改进的EfficientNet-B2 (CA-MBC-EfficientNet-B2) 与MobileNetV2集成在一起,用于特征提取和融合.
- EfficientNet-B2得到了协调注意 (CA) 和优化的移动反转残留瓶卷积 (MBConv) 模块的增强.
- 来自CA-MBC-EfficientNet-B2和MobileNetV2的功能被合并并处理,使用完全连接的层进行最终诊断.
主要成果:
- 与EfficientNet-B2.2相比,增强的CA-MBC-EfficientNet-B2模型改善了肌肉骨异常的诊断性能.
- 改进的模型减少了17%的参数数量和存储空间.
- 在异常诊断方面,FusionNet实现了高性能,特别是在肘部数据集上,精度为92.93%,AUC为93.89%,准确率为87.10%.
结论:
- FusionNet为基于深度学习的肌肉骨异常诊断提供了一种卓越的方法.
- 拟议的模型显示了诊断准确性和模型效率的显著改进.
- 在肌肉骨成像分析中的临床应用中,FusionNet显示出有希望的结果.


