医生模拟器:Delta-Age-Sex-AdaIn通过AdaIn风格转移增强骨年龄评估
Liping Wang1, Xingpeng Zhang2, Ping Chen3
1Department of Computer Center, Zigong Fourth People's Hospital, Zigong, 643000, Sichuan, China. 278220687@qq.com.
Pediatric radiology
|July 26, 2024
概括
本研究介绍了DASA-net,这是一种用于骨年龄评估的新型深度学习方法,通过整合年龄和性别分布来提高准确性. DASA-net的性能优于现有的方法,提供了对儿科生长和发育的更精确评估.
科学领域:
- 儿科放射学 儿科放射学
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
背景情况:
- 骨龄评估对于评估儿童的成长和发育至关重要.
- 目前用于骨年龄估计的深度学习方法缺乏通过骨图谱比较进行差异特征分析.
研究的目的:
- 提出Delta-Age-Sex-AdaIn (DASA-net),一种更准确的深度学习方法来评估骨龄.
- 使用自适应实例规范化 (AdaIN) 和样式转移来模拟与骨图集的视觉比较,以提高准确性.
主要方法:
- 该DASA-net模型包括BoneEncoder,二进制代码分布,Delta-Age-Sex-AdaIn和AgeDecoder模块.
- 该模型在公共 (RSNA) 和私人儿科骨年龄预测数据集上进行了评估.
- 废弃实验证实了纳入年龄和性别分布的重要性.
主要成果:
- 在RSNA数据集上,DASA-net实现了3.52个月的平均绝对偏差 (MAD),超过了最先进的方法.
- 在一个私人数据集上,DASA-net实现了3.82个月的MAD,证明了卓越的性能.
- 该模型的性能表明,骨年龄估计的准确性提高了.
结论:
- DASA-net模型有效地学习了跨年龄和性别的独特手骨特征.
- 通过风格转移整合年龄和性别分布,可显著提高骨年龄估计的准确性.
- DASA-net代表了儿童骨年龄评估的深度学习的进步.
