基于多增强视图的积极学习,用于分类肺超声波图像中的多个模式
Yuanlu Ni1, Yang Cong2, Chengqian Zhao1
1Department of Biomedical Engineering, School of Information Science and Technology, Fudan University, Shanghai, 200438, China.
概括
这项研究引入了一种用于分类肺超声波 (LUS) 模式的新方法,提高了诊断肺部疾病的准确性. MEVAL方法增强了模式区分,并有效地处理多个共存的模式.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 肺部病理学 肺部病理学
背景情况:
- 肺部超声波 (LUS) 对于诊断肺部疾病至关重要,识别诸如A线,B线,巩固和肺部溢出等模式.
- 精确的LUS模式的分类对于有效的查至关重要,但挑战包括模糊的特征差异和共存的模式.
- 当前的方法与LUS模式的微妙区别和复杂呈现作斗争.
研究的目的:
- 开发一个更精确的肺超声波 (LUS) 模式的分类方法.
- 为应对模糊特征差异和LUS图像中多个模式的共存所带来的挑战.
- 提高基于LUS的肺病查的准确性和可靠性.
主要方法:
- 提出了多增强视图 (MEVAL) 方法,结合了功能增强模块与垂直线性拟合和k-means集群.
- 与原始图像并行使用多个增强视图,以突出特征差异.
- 实施了基于信心和错误分类的集的积极学习策略,同时识别多个模式.
主要成果:
- 在5075张LUS图像的数据集上实现了高分类精度 (98.72%),AUC (0.9989),灵敏度 (98.76%) 和特异性 (98.16%).
- 与基于最先进的深度学习方法相比,表现出更高的性能.
- 废弃性研究证实了MEVAL方法的各个组件的有效性.
结论:
- MEVAL方法显著提高了LUS模式分类的精度,优于现有的技术.
- 提出的积极学习策略有效地解决了在LUS中共存模式的挑战.
- MEVAL方法在肺部疾病查中显示出临床应用的巨大潜力.
