远程皮肤学中的深度模糊:深度学习模型恢复了模糊图像分类的准确性

科学领域:

• 皮肤病学 皮肤病学
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 远程皮肤病学和咨询中的模糊图像对人工智能 (AI) 和人类医生来说都构成重大诊断挑战.
• 这种困难影响了皮肤疾病的准确识别.

研究的目的:

• 评估深度学习 (DL) 模型可以在消除模糊的皮肤图像中恢复诊断准确性的程度.
• 评估模糊消除对皮肤科医生所感知的主观图像清晰度的影响.

主要方法:

• 利用了23个疾病类别的19,191张皮肤图像的数据集,并补充了54张模糊皮肤图像和53张模糊咨询照片.
• 评估了五种不同的消除模糊的模型,以运动为目标,高斯式,波克式和混合模糊类型 (轻度和强度).
• 诊断准确度 (灵敏度,精度) 和皮肤科医生评级的清晰度 (4分级) 在模糊和消除模糊图像之间进行比较.

主要成果:

• 诊断模型的灵敏度分别下降了0.15和0.22的轻微和强烈模糊; 消除模糊的模型恢复了0.14和0.17.
• 皮肤科医生的主观图像清晰度评分从1.87提高到2.51.
• 激活地图表明,图像模糊损害了DL模型的焦点,该模型在模糊后被恢复.

结论:

• 深度学习消除模糊模型有效地恢复模糊皮肤图像的诊断准确性.
• 这些人工智能模型增强感知图像的清晰度,协助皮肤科医生进行诊断.
• 将消除模糊的DL模型纳入远程皮肤病学工作流程中,可以提高诊断能力,以获得低于最佳的图像质量.