使用预训练的DenseNet201与囊网络相结合的肩部植入物制造商的分类
Xianzhong Jian1, Zhenling Zhou1, Wuwen Zhang2
1School of Optoelectronic Information and Computer Engineering, University of Shanghai for Science and Technology, Shanghai, China.
概括
这项研究使用深度学习和X射线成像来识别肩部植入物制造商,加速修复手术. DenseNet201-Caps模型实现了96.55%的准确性,改善了患者的治疗.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 整形外科手术 整形外科手术
背景情况:
- 肩部修复手术需要对植入物制造商进行准确的识别.
- 目前用于识别植入物的方法可能耗时.
- 加快这一过程可以改善患者的治疗结果和治疗效率.
研究的目的:
- 开发和验证深度学习模型,以使用X射线成像准确识别肩部植入物制造商.
- 提高肩部修复手术的手术前规划效率.
主要方法:
- 使用主要组件分析和k-means集群处理了肩部植入物图像的数据集.
- 开发了一个分类模型,DenseNet201-Caps (DenseNet201与囊网络相结合).
- 实施了多阶段分类方法,以应对特定的制造商识别挑战.
主要成果:
- 在集群数据集上,DenseNet201-Caps模型实现了高精度 (94.25%) 和F1得分 (96.30%).
- 预先集群数据集可以提高模型的准确性,而囊网络可以提高卷积神经网络的性能.
- 多阶段方法进一步提高了准确度,达到96.55%,成功地区分了大多数制造商.
结论:
- DenseNet201-Caps方法,特别是采用多阶段方法,可以从X射线图像中准确识别肩部植入物制造商.
- 这种人工智能驱动的方法有可能大大简化肩部修复手术的手术前工作流程.
