基于卷积神经网络和增强数据注释的超声波图像中面部关节的深度学习检测和细分
Lingeer Wu1, Di Xia1, Jin Wang1
1Department of Anesthesiology, Peking Union Medical College Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing 100006, China.
Diagnostics (Basel, Switzerland)
|April 13, 2024
概括
这项研究引入了一种深度学习方法,用于精确的面部关节检测和超声波图像中的细分,增强腰部疼痛治疗. 这种新的方法显著提高了准确性,证明了AI.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 疼痛管理 疼痛管理
背景情况:
- 面部关节注射是治疗腰部疼痛的主要方法.
- 在超声波图像中精确识别面部关节对于有效的止痛手术至关重要.
研究的目的:
- 开发和评估一种深度学习模型,用于在超声波图像中检测和细分面部关节.
- 通过改进的数据注释和增强技术,提高面部关节识别的准确性.
主要方法:
- 基于基于Mask区域的卷积神经网络 (Mask R-CNN) 的深度学习模型被训练.
- 300名患者的超声波图像被麻醉科医生注释,重点关注面部关节和腹部综合体.
- 使用数据增强技术来增加数据集大小并提高模型的稳定性.
主要成果:
- 深度学习模型在面部联合检测和细分方面实现了高性能.
- 对面部关节检测的平均精度 (AP50) 为90.4%,对细分的平均精度为85.0%.
- 改进的数据注释和增强方法明显提高了模型的平均精度.
结论:
- 拟议的深度学习方法,利用Mask R-CNN和增强的注释,对超声波图像中的面部关节检测和细分有效.
- 这种方法显示出提高超声波引导疼痛管理程序的精度和有效性的巨大潜力.
- 深度学习技术为面部关节超声波图像的高级分析提供了可行的和有前途的工具.
