在临床皮肤中使用卷积神经网络进行图像质量评估 图像图像
Hyeon Ki Jeong1, Christine Park2, Simon W Jiang2
1Department of Biostatistics & Bioinformatics, Duke University School of Medicine, Durham, North Carolina, USA.
概括
开发了一个深度学习模型来评估患者和医生的临床图像质量. 该工具通过区分优质图像和劣质图像来提高诊断准确性和临床工作流程效率.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 临床诊断 临床诊断 临床诊断
背景情况:
- 低于最佳的图像质量往往阻碍了临床评估.
- 准确评估医疗图像对于有效的患者护理至关重要.
- 目前用于图像质量评估的方法可能耗时且主观.
研究的目的:
- 开发和验证基于深度学习的工具,用于自动化图像质量分析.
- 评估来自患者和初级保健医生的图像质量.
- 提高临床工作流程中图像质量评估的效率和可靠性.
主要方法:
- 一个VGG16深度学习模型使用4000多个患者和初级保健医生衍生图像的数据集进行了微调.
- 普通的图像质量标签被转换为二进制 (好与坏) 使用多数投票.
- 使用Youden指数来确定最佳分类值,以最大限度地提高灵敏度和特异性.
主要成果:
- 该模型在测试组上实现了0.885的曲线下面积 (AUC),具有高灵敏度 (0.829) 和特异性 (0.784).
- 在300张图像上的独立验证证实了强大的性能,AUC为0.864.
- 该工具显示出高正预测值 (0.906在测试组,0.959在验证组),表明可靠的识别优质图像.
结论:
- 一种实用的深度学习方法有效地评估临床图像质量,增强诊断工作流程.
- 该工具为临床团队提供了更好的工作量和效率,尽管可能需要重新拍摄图像.
- 自动化图像质量分析可以通过确保可靠的诊断输入来显著地使医疗保健受益.
