使用人工智能细分模型来改进对外体检测和超声波图像的分离
Lawrence Holland1, Sofia I Hernandez Torres1, Eric J Snider1
1Organ Support and Automation Technologies Group, U.S. Army Institute of Surgical Research, JBSA Fort Sam Houston, San Antonio, TX 78234, USA.
Bioengineering (Basel, Switzerland)
|February 23, 2024
概括
人工智能 (AI) 分段模型增强了用于创伤分类的超声波图像解释. 这些人工智能工具准确地检测碎片,并评估接近关键结构的位置,改善紧急医疗决策.
科学领域:
- 医疗成像和人工智能的人工智能
- 创伤护理和紧急医疗
- 生物医学工程和计算机视觉
背景情况:
- 医疗成像对于远程或军事环境中的伤亡分拣至关重要.
- 超声波成像需要准确的解释以进行有效的分类,特别是对于嵌入的异物体.
- 需要客观的分类评分,以优化资源分配和疏散优先级.
研究的目的:
- 评估人工智能细分模型,以改善创伤选中的超声波图像解释.
- 评估YOLOv7和U-Net模型在神经血管结构附近检测异物 (碎片) 的性能.
- 根据人工智能衍生的碎片接近关键解剖特征,开发一个客观的分类指标.
主要方法:
- 训练了YOLOv7和U-Net人工智能细分模型,对具有和没有神经血管特征的组织幻影的超声波图像进行了训练.
- 使用地面真相面具用于训练和评估识别弹片和解剖结构的模型准确性.
- 根据人工智能模型的输出,调整了一个分拣距离指标,以测量碎片接近神经血管特征的距离.
主要成果:
- YOLOv7和U-Net都成功地在超声波图像中识别了碎片;U-Net在单类细分方面表现出色.
- 对于多类细分,YOLOv7显示了更高的精度,而U-Net实现了更高的回忆.
- 与YOLOv7.7相比,U-Net的AI衍生的分类距离与地面真相测量更接近.
结论:
- 人工智能细分模型显示出在超声波成像中增强异物检测的巨大潜力.
- 这些模型可以通过量化损伤与关键神经血管结构的近距离来促进客观的分类评估.
- 人工智能驱动的超声波解释可以改善在紧急和远程医疗场景中的伤害评估和决策.
