在超声波图像中对子宫内膜进行自动细分的初始模块进行任何细分

科学领域:

• 医疗成像医学成像
• 医疗保健中的人工智能
• 妇科诊断诊断 妇科诊断

背景情况:

• 在超声波中精确的子宫内膜细分对于妇科诊断和治疗至关重要.
• 手动细分是耗时和主观的,需要自动化解决方案.
• 现有的自动化方法往往缺乏临床应用所需的精度.

研究的目的:

• 介绍 Segment Anything with Inception Module (SAIM),这是一个适应性模型,用于超声波图像中的子宫内膜细分.
• 评估SAIM的业绩与现有的自动化细分技术相比.

主要方法:

• SAIM是对细分任何模型 (SAM) 的专门改编,包含了增强的图像编码器.
• 整合了点提示,以指导子宫内膜结构的细分.
• 该模型经过训练,并使用经过透镜手术的患者的超声波图像进行评估.

主要成果:

• 赛姆实现了76.31%的子相似系数和63.71%的十字路口比欧盟得分.
• 该模型与传统的特定任务深度学习模型相比,显示出更高的细分性能.
• 在定量和定性评估中,SAIM在定量和定性评估中优于其他基于SAM的基础模型.

结论:

• SAIM实现了高分段精度,提高了妇科成像诊断精度和效率.
• 该模型为诊断和教育提供了一个有价值的,高效的工具,特别是对于初级医疗专业人员.
• 这种自动化方法有可能简化临床工作流程并增强患者护理.