一个高效的深度神经网络用于在脑CT扫描中自动分类急性内出血
Yu-Ruei Chen1, Chih-Chieh Chen2, Chang-Fu Kuo3
1School of Medicine, Chang Gung University, Taoyuan, Taiwan; Medical Education Department, Chang Gung Memorial Hospital, Taoyuan, Taiwan.
Computers in biology and medicine
|May 12, 2024
概括
这项研究引入了一种高效的深度学习模型,用于在脑CT扫描中对内出血进行分类. 该模型在显著减少计算资源的情况下提供高精度,使其适合广泛的医疗用途.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 深度学习模型在医学成像中表现有前途,但需要大量的计算资源.
- 这限制了先进的人工智能在资源有限的医疗环境中的应用.
- 在脑CT扫描中精确分类内出血对于患者的结果至关重要.
研究的目的:
- 提出一种高效的深度学习模型,用于在脑CT扫描中对内出血进行分类.
- 为了平衡高诊断性能与计算效率.
- 为了实现在各种医疗环境中的实际部署.
主要方法:
- 使用深度可分离的卷积和多感应场机制.
- 在RSNA数据集上训练模型.
- 在CQ500和PhysioNet数据集上验证了性能.
主要成果:
- 在RSNA数据集上实现了0.952的接收器运行特征曲线 (AUROC) 下的平均面积.
- 证明了强大的概括能力,与其他数据集上的SE-ResNeXt相当.
- 拟议的模型的参数数量仅为MobileNet V3的3%,表明高效率.
结论:
- 开发的深度学习模型被优化为从脑CT扫描中对内出血进行分类.
- 它的计算效率使其成为更广泛的临床应用的有希望的工具.
- 这一进步促进了AI在医学诊断中的使用,即使在计算能力有限的环境中也是如此.
