基于区域的半双流卷积神经网络用于压力的识别
Cemil Zalluhoğlu1, Doğan Akdoğan2, Derya Karakaya2
1Department of Computer Engineering, Hacettepe University, Ankara, Turkey. cemil@cs.hacettepe.edu.tr.
Journal of imaging informatics in medicine
|February 12, 2024
概括
这项研究引入了一套新的数据集和一种半双流方法,用于使用CNN诊断压力. 该方法准确地识别压力的阶段,改进了标准方法.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 皮肤病学 皮肤病学
背景情况:
- 压力是一个重要的全球健康问题,造成疼痛,高成本,并影响卧床患者.
- 压力的早期和准确的诊断对于有效的治疗和国际标准化至关重要.
- 目前的诊断方法,包括侵入性技术和使用布拉登等尺度的手动评估,都有局限性.
研究的目的:
- 开发和评估一种新的基于图像的压力的诊断方法.
- 为了研究和开发,引入一个新的压力图像的基准数据集.
- 通过深度学习提高压力分期的准确性和效率.
主要方法:
- 创建一个新的基准数据集与压力图像.
- 开发一种半双流方法,将原始和剪裁的伤口图像结合起来.
- 在数据集上评估各种最先进的卷积神经网络 (CNN) 架构.
主要成果:
- 拟议的半双流方法实现了高性能指标.
- 实验结果显示测试准确率为93%,精度为93%,回忆率为92%,F1得分为93%.
- 与基线CNN架构相比,这种新的方法显示了更好的识别结果.
结论:
- 开发的半双流方法为准确的压力诊断提供了一个有希望的,非侵入性的方法.
- 新的数据集和方法有助于推进压力的自动分期.
- 这种人工智能驱动的方法有可能提高临床决策和患者护理.
