用AdaResU-net与优化算法和深度学习模型进行超声波图像中卵巢囊的细分
1Department of Software Engineering, College of Computer Engineering and Sciences, Prince Sattam Bin Abdulaziz University, 16278, Al-Kharj, Saudi Arabia. ms.mohamed@psau.edu.sa.
Scientific reports
|August 14, 2024
概括
这项研究引入了用于卵巢超声波图像分析的先进深度学习方法. 该技术显著提高了卵巢囊细分和分类的准确性,有助于更好的诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 卵巢囊在超声波中存在诊断挑战,原因是图像质量问题,如噪音和差异差.
- 精确的细分和分类对于管理扭伤,不孕不育和癌症等风险至关重要.
研究的目的:
- 开发一种适应性深度学习模型,用于增强卵巢超声波图像细分和囊分类.
- 通过精确的囊特征来提高诊断准确度和患者的结果.
主要方法:
- 预处理涉及导向三边过器 (GTF) 降低噪声.
- 一个通过野生马优化 (WHO) 算法优化的自适应卷积神经网络 (AdaResU-net) 用于细分和分类.
- 金字塔扩展卷积 (PDC) 网络被用于囊类型的分类.
主要成果:
- 提出的方法实现了98.87%的高细分精度.
- 该技术在分析卵巢超声波图像方面,与现有方法相比,表现出更高的性能.
- 优化目标函数 (子损失系数和加权交叉) 提高了细分精度.
结论:
- 适应性深度学习方法为克服卵巢超声波分析的局限性提供了一个有希望的解决方案.
- 这种方法可以提高卵巢囊的诊断准确度,从而有可能提高患者的护理.
- 进一步的研究可以探索这个人工智能驱动的诊断工具的更广泛的临床应用.
