舌头诊断中的人工智能:使用深度卷积神经网络对舌头病变和正常舌头图像进行分类
Burcu Tiryaki1, Kubra Torenek-Agirman2, Ozkan Miloglu3,4
1Department of Electrical Electronic Engineering, Faculty of Engineering, Ataturk University, Erzurum, Turkey.
BMC medical imaging
|March 8, 2024
概括
深度卷积神经网络 (DCNNs) 准确地从图像中对舌头病变进行分类. 这种人工智能方法有望改善各种舌头疾病的临床诊断.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 计算病理学计算病理学
背景情况:
- 准确地分类舌头病变对于及时诊断和治疗至关重要.
- 传统的舌头病变识别方法可能是主观的,耗时的.
- 深度学习的出现为客观和自动化诊断工具提供了新的途径.
研究的目的:
- 开发和评估深度卷积神经网络 (DCNN) 用于使用数字图像对舌头病变类型进行分类.
- 为了比较不同DCNN架构 (VGG19,ResNet50,ResNet101,GoogLeNet) 在舌头损伤分类中的性能.
- 调查基于融合的多数投票 (FBMV) 方法在提高分类准确性的有效性.
主要方法:
- 处理了623个患者舌头图像的数据集,包括四种病变类型 (涂层,地理,裂的舌头,中间方形光) 和健康类.
- 四个DCNN模型 (VGG19,ResNet50,ResNet101,GoogleLeNet) 进行了训练和评估,用于二进制 (正常与损伤) 和多类 (损伤类型) 的分类.
- 应用了基于融合的多数投票 (FBMV) 技术,将多个DCNN的预测结合起来,以提高分类性能.
主要成果:
- 对于二进制分类 (正常与舌头损伤),ResNet101获得了93.53%的准确性,FBMV提高到95.15%.
- 在舌头损伤类型的五类分类中,VGG19的准确率达到83.93%,使用FBMV方法提高到88.76%.
- 通过FBMV方法,对二进制和多类舌头病变的鉴定,分类准确度显著提高.
结论:
- DCNN 是有效的工具,可以从图像中准确识别舌头病变.
- 拟议的DCNNs和FBMV方法显示了将其整合到临床实践中以提高诊断能力的潜力.
- 进一步的研究和验证可能会导致这种人工智能驱动的诊断方法的广泛临床应用.
