基于转移学习和卷积神经网络的手术内光成像中的瘤细分
Weijia Hou1, Liwen Zou2, Dong Wang3
1College of Science, Nanjing Forestry University, Nanjing, China.
Surgical innovation
|April 15, 2024
概括
这项研究引入了一种转移学习方法,用于在手术内光成像中准确的瘤细分,其性能优于传统技术,并帮助外科医生有效地识别瘤边界.
科学领域:
- 医疗成像医学成像
- 计算生物学 计算生物学
- 手术技术 手术技术
背景情况:
- 术内瘤细分对于手术精度至关重要.
- 目前的方法在识别瘤边界方面可能缺乏准确性和效率.
- 光成像提供了增强的可视化,但需要强大的细分工具.
研究的目的:
- 开发和评估一种基于转移学习的方法,用于在手术内光成像中准确的瘤细分.
- 帮助外科医生在手术过程中高效准确地识别瘤边界.
- 将拟议的方法与传统技术和端到端深度学习模型进行比较.
主要方法:
- 员工使用深度卷积神经网络 (DCNNs) 进行转移学习.
- 在ImageNet上预训练了四个网络以提取特征,然后在光数据集 (ABFM,DTHP) 上进行微调.
- 在DTHL数据集上评估模型,与端到端DCNN和水平设置方法进行比较.
主要成果:
- 基于转移学习的UNet++实现了高准确度 (例如,DTHP上的95.61%).
- 经过预训练的Deeplab v3+显示出异常的性能 (在DTHP上准确率为96.48%).
- 所有模型都在DTHP数据集上显示了>90%的准确性.
结论:
- 这是第一个使用手术内光成像与转移学习进行瘤细分的研究.
- 深度学习显著提高了对传统方法的细分性能.
- 转移学习提高了对小样本光数据的深度学习模型的有效性,有助于手术决策.
