过敏小麦和红斑细分使用注意力U-Net

科学领域:

• 过敏和免疫学 过敏和免疫学
• 医疗成像医学成像
• 人工智能在医学中的应用

背景情况:

• 皮肤刺伤测试 (SPT) 对于诊断IgE介导过敏疾病至关重要.
• 由于手动测量皮肤反应,目前的SPT方法耗时且劳动密集.
• 需要对 SPT 结果进行客观量化,以提高诊断一致性.

研究的目的:

• 开发和评估深度学习模型,用于在SPT图像中自动细分小和红斑.
• 评估图像预处理技术在增强SPT图像分析方面的性能.
• 确定使用智能手机拍摄的图像用于客观的SPT评估的可行性.

主要方法:

• 在图像预处理中采用对比度有限的自适应直方图平衡 (CLAHE).
• 开发了深度学习模型,从智能手机捕获的SPT图像中对和红斑进行细分.
• 验证模型性能与基准数据对比,计算精度,灵敏度,特异性和Dice相似系数.

主要成果:

• 轮细分模型实现了高精度 (0.9985) 和特异性 (0.9995).
• 红斑细分模型表现出强的性能,精度为0.9660和特异性为0.97977.
• 这两种模型都显示了中度灵敏度 (小麦:0.5621,红血病:0.5787) 和子系数 (小麦:0.7079,红血病:0.6636).

结论:

• 图像预处理与深度学习相结合,为准确和一致的SPT分析提供了一个有希望的方法.
• 这项技术有可能简化过敏诊断并改善医疗实践.
• 自动细分SPT反应可以导致更客观,更有效的患者评估.