通过数据增强框架在子宫内膜病变分析中实现更高的诊断精度
Yi Luo1,2, Meiyi Yang3, Xiaoying Liu4
1Medical Engineering Cross Innovation Consortium, Yangtze Delta Region Institute (Quzhou), University of Electronic Science and Technology of China, Quzhou, Zhejiang, China.
Frontiers in oncology
|October 30, 2024
概括
这项研究开发了一种深度学习 (DL) 框架,以改善超声波图像中的子宫内膜损伤分类. 这种新的方法提高了诊断准确度,为更好的工具铺平了道路.
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
- 妇科病理学的病理学
背景情况:
- 在超声波图像中精确分类子宫内膜损伤对于患者的诊断和治疗至关重要.
- 现有的诊断方法在准确性和一致性方面面临挑战.
- 深度学习 (DL) 提供了提高图像分析准确性的潜力.
研究的目的:
- 通过使用基于DL的数据增强框架在超声波图像中提高子宫内膜损伤分类的精度.
- 解决诊断准确性的挑战,在分类子宫内膜病变.
- 为未来医学图像分析和诊断工具的研究做出贡献.
主要方法:
- 收集了来自6家医院734名患者的超声波图像数据集.
- 开发了一个数据增强框架,包括图像特征清理和软化标签技术.
- 在多个DL模型 (ResNet50,DenseNet169,DenseNet201,ViT-B) 中验证了框架,并创建了一个混合CNN-Transformer模型.
主要成果:
- 新的数据增强策略显著提高了模型的准确性.
- 整体模型的准确度为0.809,ROC曲线下的宏观面积为0.911.
- 证明了DL在精确的子宫内膜损伤超声波图像分类方面的潜力.
结论:
- 成功开发了一个数据增强框架,用于在超声波图像中准确地分类子宫内膜损伤.
- 异常检测,数据清理和软化标签策略改善了模型对病变特征和分类能力的理解.
- 该研究为未来的研究和开发更精确的诊断工具提供了洞察力.
更多相关视频
05:16Multiplexed Fluorescent Immunohistochemical Staining of Four Endometrial Immune Cell Types in Recurrent Miscarriage
Published on: August 4, 2021
3.3K
13:01Industrialized, Artificial Intelligence-guided Laser Microdissection for Microscaled Proteomic Analysis of the Tumor Microenvironment
Published on: June 3, 2022
3.6K