提高鼻腔内镜:使用卷积神经网络对解剖学标志的分类,检测和细分

科学领域:

• 耳鼻喉科 耳鼻喉科 耳鼻喉科
• 医疗成像医学成像
• 人工智能在医学中的应用

背景情况:

• 鼻内镜 (NE) 对于评估鼻腔疾病至关重要.
• 准确识别像轮机这样的解剖结构对于诊断至关重要.
• 在NE图像中手动对轮机进行细分是耗时且主观的.

研究的目的:

• 开发和验证用于自动化轮机本地化和细分的深度学习模型.
• 在临床NE图像中评估拟议模型的准确性.
• 为人工智能驱动的内镜鼻腔发现的解释奠定基础.

主要方法:

• 卷积神经网络 (CNN) 架构用于图像分析.
• 该模型是通过鼻腔内镜图像的数据集进行训练的.
• 使用标准细分指标评估绩效.

主要成果:

• 基于CNN的模型在定位和细分鼻轮机方面取得了高准确性.
• 定量分析在各种NE图像中证明了模型的可靠性.
• 该模型显示了轮分析中临床应用的潜力.

结论:

• 一个CNN模型提供了一个准确和自动化的方法,用于东北地区的轮机细分.
• 这种AI方法可以显著提高NE解释的效率和客观性.
• 开发的模型是内镜诊断中先进算法的基础.