联合图像处理与学习驱动的数据表示和模型行为用于儿童患者的非侵入性贫血诊断
1Laboratory of Automation and Manufacturing Engineering, Department of Industrial Engineering, Batna 2 University, Batna 05000, Algeria.
Journal of imaging
|October 25, 2024
概括
一种新的非侵入性贫血诊断方法使用图像处理和儿童患者的循环扩展网络 (RexNet). 这种方法达到99.83%的准确性,为传统血液测试提供了一个有希望的替代方案.
科学领域:
- 生物医学工程 生物医学工程
- 医疗保健中的人工智能
- 儿科诊断 儿科诊断 儿科诊断
背景情况:
- 儿童的贫血诊断对于发育至关重要,但传统的血液检查存在诸如不适和感染风险等挑战.
- 对于非侵入性诊断方法的极大需求,以克服当前侵入性技术的局限性.
- 图像处理与先进的机器学习相结合,为非侵入性儿科贫血检测提供了一个潜在的解决方案.
研究的目的:
- 开发和验证一种新的,非侵入性的方法,用于通过图像分析来诊断儿科患者的贫血.
- 引入一个新的深度网络,即循环扩展网络 (RexNet),用于增强贫血分类.
- 将RexNet的性能与传统方法和现有的深度学习模型进行比较.
主要方法:
- 一个图像处理管道从儿科图像中提取了181个特征,然后进行特征选择.
- 使用贝叶斯超参数优化训练了一个深层多层长短期内存 (LSTM) 网络.
- 该LSTM模型被集成到基于循环扩展规则的模型中,以创建RexNet,应用于结膜,手掌和指甲图像.
主要成果:
- 在所有分类指标上,RexNet获得了高的总体评价99.83 ± 0.02%.
- 与LSTM网络和其他现有方法相比,提出的方法在诊断准确性和概括性方面取得了显著的改进.
- 这项研究成功地应用了非侵入性方法,对6岁以下的儿童的结膜,手掌和指甲图像进行了研究.
结论:
- 开发的复发扩展网络 (RexNet) 在儿科患者的非侵入性贫血诊断中显示出高效率.
- 雷克斯网为传统的基于血液的贫血检测提供了一个有希望的,准确的,不那么侵入性的替代方案.
- 这种创新方法有可能显著改善幼儿贫血的诊断过程.
