使用转移学习技术自动化多类面部综合征分类
Fayroz F Sherif1, Nahed Tawfik1, Doaa Mousa1
1Computers and Systems Department, Electronics Research Institute (ERI), Cairo 11843, Egypt.
Bioengineering (Basel, Switzerland)
|August 29, 2024
概括
深度学习从面部照片中准确地识别出像唐氏综合症这样的遗传疾病. 一个微调的VGG-Face模型实现了90%的准确性,改善了罕见疾病的早期诊断.
科学领域:
- 医学遗传学 医学遗传学
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 遗传性疾病在全球影响超过6%,需要早期诊断才能有效管理.
- 目前用于罕见面部遗传疾病的查方法往往不足,延迟了诊断.
- 面部形特征是许多遗传综合征的关键指标.
研究的目的:
- 评估深度学习模型,以识别面部照片中的异形特征.
- 开发和评估特定遗传疾病的多类面部综合征分类框架.
- 为此任务比较各种预训练的卷积神经网络 (CNN) 模型的性能.
主要方法:
- 微调预先训练有素的CNN模型:VGG16,ResNet-50,ResNet152和VGG-Face. 这些都是微调预先训练好的CNN模型.
- 利用面部照片对唐氏综合征,努南综合征,特纳综合征,威廉姆斯综合征和健康对照进行多类分类.
- 基于准确性和F1-Score.评估模型性能.
主要成果:
- 与其他评估的CNN模型相比,微调的VGG-Face模型表现出卓越的性能.
- VGG-Face模型在分类指定的遗传疾病方面取得了90%的准确性.
- 达到了90%的F1-Score,表明了强大的检测能力.
结论:
- 深度学习,特别是微调的VGG-Face模型,显示了使用面部图像准确和早期检测特定遗传疾病的重大前景.
- 这种方法比现有的查技术提供了潜在的进步,促进了及时的医疗干预.
- 这项研究强调了人工智能在分析复杂的视觉模式以诊断罕见遗传病的有效性.
更多相关视频
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.7K
07:12Protocol for Data Collection and Analysis Applied to Automated Facial Expression Analysis Technology and Temporal Analysis for Sensory Evaluation
Published on: August 26, 2016
9.4K
