一种基于深度学习的新加权特征融合架构,用于精确分类压力损伤
Dongfang Wang1,2, Lirui Guo1, Juan Zhong1
1Department of Neurosurgery, Wuhan University Renmin Hospital, Wuhan, China.
Frontiers in physiology
|March 8, 2024
概括
这项研究引入了一种新的深度学习模型,可以显著提高压力损伤 (PI) 分类准确性. 改进的模型在识别不同PI阶段时实现了更高的精度,有助于更好的患者管理.
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:
- 准确的压力损伤 (PI) 分类对于有效的治疗至关重要.
- 目前用于PI分类的机器学习和深度学习方法在准确性方面存在局限性.
研究的目的:
- 开发基于深度学习的加权特征融合架构,用于细粒度压力损伤分类.
- 通过使用先进的深度学习技术,提高压力损伤分期的准确性.
主要方法:
- 开发了一个深度学习架构,结合了自上而下的和自下而上的路径来实现功能融合.
- 利用ResNeXt作为骨干网络,并整合了一个加权特征金字塔网络 (wFPN).
- 在一个包含1519张多中心临床图像的数据库上验证了模型.
主要成果:
- 实现了第三阶段PI的显著准确度增加,从60.3%提高到76.2%.
- 报告了第一,第二和第四阶段PI的高精度,分别为0.870,0.788和0.845.
- 整体网络性能显示准确度为0.815,精度为0.808,回忆率为0.816,F1得分为0.811,AUC为0.940.
结论:
- 与现有研究相比,开发的深度学习网络大大提高了PI分类的整体准确性,从75%提高到81.5%.
- 在所有PI阶段都表现出强的表现,表明临床应用的潜力.
- 建议进行进一步的验证,为压力损伤管理的临床整合铺平道路.
