评估深度学习技术用于检测神经瘤下结出血:卷积神经网络和转移学习模型的比较分析
Mustafa Umut Etli1, Muhammet Sinan Başarslan2, Eyüp Varol1
1Department of Neurosurgery, Ümraniye Training And Research Hospital, İstanbul, Turkey.
World neurosurgery
|May 6, 2024
概括
深度学习模型,特别是EfficientNetB4,可以从CT扫描中准确地检测甲状腺下出血 (SAH). 与传统技术相比,这种转移学习方法为诊断SAH提供了更快,更有效的方法.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经学 神经学
背景情况:
- 检测甲状腺下出血 (SAH) 对患者的治疗结果至关重要.
- 传统的SAH检测方法可能耗时.
- 机器学习为改善SAH诊断提供了一个有希望的途径.
研究的目的:
- 评估卷积神经网络 (CNN) 的有效性,并转移SAH检测的学习模型.
- 使用深度学习区分动脉瘤SAH和非动脉瘤SAH.
- 评估新型转移学习方法在SAH诊断中的性能.
主要方法:
- 利用了来自123名动脉瘤SAH和80名非动脉瘤SAH患者的15600张CT图像.
- 他们使用Inception-V3,EfficientNetB4,单层CNN和三层CNN模型.
- 定制转移学习模型并使用Google Collaboratory上的Adam优化器训练它们.
主要成果:
- EfficientNetB4实现了最高的精度 (99.92%),F-score (99.82%),回忆 (99.92%),以及精度 (99.90%).
- CNN和转移学习模型显示了可比的结果,没有过拟合.
- 强大的诊断模型被开发用于SAH检测.
结论:
- 基于CNN的转移学习模型从CT图像中准确诊断SAH病因.
- 这种人工智能方法对临床医生来说是一个有价值的工具,有可能减少侵入性手术.
- 通过这种技术,预计将改善医疗资源的利用和患者的治疗结果.
