基于对超声波图像的纹理图案识别的杜申肌肉衰竭的计算机辅助诊断,使用无监督集群算法和深度学习
Ai-Ho Liao1, Chih-Hung Wang2, Chong-Yu Wang3
1Graduate Institute of Biomedical Engineering, National Taiwan University of Science and Technology, Taipei, Taiwan; Department of Biomedical Engineering, National Defense Medical Center, Taipei, Taiwan.
Ultrasound in medicine & biology
|April 18, 2024
概括
深度学习和集群算法使用超声波成像准确地预测杜申肌力发育不良症 (DMD) 门诊状态和疾病严重程度. 这种方法有助于跟踪肌肉恶化,并为DMD患者提供精确的诊断支持.
科学领域:
- 生物医学工程 生物医学工程
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 杜氏肌肉发育不良 (DMD) 显著影响门诊功能和肌肉健康.
- 准确评估DMD进展对于患者管理至关重要.
- 超声波成像为评估DMD肌肉变化提供了一种非侵入性方法.
研究的目的:
- 探索深度学习在使用超声波预测DMD患者的门诊状态的可行性.
- 使用聚类算法来重建DMD超声波图像的纹理.
- 分析DMD疾病不同阶段的回声强度差异.
主要方法:
- 用K-means (Kms) 和fuzzy c-means (FCM) 聚类算法对DMD超声数据集进行了纹理重建.
- 开发了机器学习模型,用于自动识别门诊功能和DMD严重程度.
- 包括VGG-16和VGG-19在内的深度卷积神经网络模型用于分类任务,利用数据增强.
主要成果:
- 机器学习模型实现了高准确性:高斯的天真贝叶斯和k-最近的邻居 (86.78%) 对于门诊功能,和决策树 (83.80%) 对于严重性.
- 深度学习模型表现出卓越的性能:VGG-16和VGG-19在门诊功能分类方面实现了98.53%的准确性.
- VGG-19模型在分类DMD严重程度方面达到92.64%的准确性.
结论:
- Kms和FCM集群有效地重建了肌肉纹理,使得在DMD中胃肌肌肉恶化的定量分析成为可能.
- 机器学习和深度学习的整合促进了DMD症状和疾病进展的自动,准确的识别和跟踪.
- 这种综合方法为长期监测和管理杜氏肌肉发育不良提供了宝贵的工具.
