从使用机器学习方法的图像中对糖尿病足的分类
Nouf Almufadi1, Haifa F Alhasson1
1Department of Information Technology, College of Computer, Qassim University, Buraydah 51452, Saudi Arabia.
Diagnostics (Basel, Switzerland)
|August 29, 2024
概括
糖尿病足 (DFU) 使用先进的人工智能进行分类. 卷积神经网络 (CNN) 模型在区分DFU中的缺血 (97%) 和感染 (93%) 方面取得了很高的准确性.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 糖尿病并发症研究研究
背景情况:
- 糖尿病足 (DFU) 影响了三分之一的糖尿病患者,造成截肢等严重并发症的风险.
- 精确的DFU状态 (缺血与感染) 的分类对于有效的管理和预防误诊至关重要.
- 卷积神经网络 (CNN) 模型为自动化DFU状态分类提供了潜力.
研究的目的:
- 使用各种CNN模型开发和评估糖尿病足 (DFU) 的有效分类系统.
- 为了比较DFU状态分类的不同CNN架构和机器学习分类器的性能.
- 确定最佳的模型组合,以准确区分缺血和感染的DFU.
主要方法:
- 使用了经过预训练的CNN模型 (EfficientNetB0,DenseNet121,ResNet101,VGG16,InceptionV3,MobileNetV2,InceptionResNetV2),并进行了转移学习.
- 在CNN架构中实施了一种新的"头部模型",以加强决策.
- 使用超参数调整和与机器学习分类器集成 (逻辑回归,AdaBoost) 评估模型性能.
主要成果:
- 通过将拟议的头部模型与EfficientNetB0和后勤回归分类器集成,在DFU中分类缺血时获得了97%的准确性.
- 使用带有提议修改的EfficientNetB0模型和AdaBoost分类器,在DFU中对感染进行分类的准确率达到93%.
- 该研究证明了CNN和机器学习分类器在准确分类DFU州的有效性.
结论:
- 开发的基于CNN的系统,特别是带有后勤回归分类器的EfficientNetB0,显示了准确的DFU缺血症分类的巨大潜力.
- 与AdaBoost分类器相结合的EfficientNetB0模型为DFU感染分类提供了一种可靠的方法.
- 这种人工智能驱动的方法可以帮助早期诊断和改善糖尿病足的管理策略.
