使用深度学习进行内动脉瘤分类的自动化方法
Roberta Hlavata1, Patrik Kamencay1, Martina Radilova1
1Department of Multimedia and Information-Communication Technologies, University of Zilina, 010 26 Zilina, Slovakia.
Sensors (Basel, Switzerland)
|July 27, 2024
概括
一个新的2D卷积神经网络 (CNN) 能够有效地检测内动脉瘤 (IA),准确率为98%. 这种人工智能系统为自动化IA诊断提供了一个更快,更小的替代方案,帮助医生预防致命的脑下下垂体出血.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经外科 神经外科
背景情况:
- 内动脉瘤 (IA) 是次关节出血的重要原因,经常导致严重残疾或死亡.
- 准确及时诊断IA对于有效的患者管理和改善结果至关重要.
- 当前的诊断方法可能耗时,突出了对自动检测系统的需求.
研究的目的:
- 开发和评估一种新的二维卷积神经网络 (CNN),用于自动检测内动脉瘤 (IA).
- 使用公共数据集,比较拟议中的CNN与ResNet和VGG等既有网络的性能.
- 评估拟议网络对潜在临床应用的效率 (大小和速度).
主要方法:
- 一个2D卷积神经网络 (CNN) 被设计和训练用于IA检测.
- 拟议的CNN在公开可用的611张图像数据集上进行了评估.
- 性能与ResNet (50,101,152) 和VGG网络进行了比较,重点关注准确性,网络大小和分类时间.
主要成果:
- 拟议的CNN在检测内动脉瘤方面实现了98%的整体准确性.
- 尽管ResNet 152的准确性更高,但其模型大得多,分类时间更长.
- 拟议的网络比ResNet 152小得多,速度更快,而VGG网络的性能不够 (20%的准确性).
结论:
- 开发的2D CNN为内动脉瘤检测提供了一个高度准确和高效的自动化系统.
- 这种人工智能驱动的方法有可能显著帮助医生诊断IA,改善患者护理.
- 这些发现支持将这种优化的CNN集成到临床工作流程中,以实现更快,更可靠的IA查.
