相关实验视频
Updated: Jun 7, 2025
10:02
State of the Art Cranial Ultrasound Imaging in Neonates
Published on: February 2, 2015
24.2K
用新生儿头部超声波评估生殖基质出血的深度学习方法
Nehad M Ibrahim1, Hadeel Alanize1, Lara Alqahtani1
1Departments of Computer Science, College of Computer Science and Information Technology, Imam Abdulrahman Bin Faisal University, Dammam 31451, Saudi Arabia.
Sensors (Basel, Switzerland)
|November 9, 2024
概括
这项研究引入了一种先进的深度学习模型,YOLOv8,用于在早产婴儿中自动化胚胎基质出血 (GMH) 评级. 人工智能工具准确地从头骨超声波中分类GMH严重程度,帮助临床诊断.
科学领域:
- 新生儿成像和诊断新生儿成像和诊断
- 医疗成像中的人工智能
- 儿科神经学 儿科神经学
背景情况:
- 生殖母体出血 (GMH) 是早产婴儿的一个重大问题.
- 准确的GMH分级对于及时干预和患者管理至关重要.
- 目前的诊断方法依赖于头骨超声波的手动解释,这可能是耗时和主观的.
研究的目的:
- 开发和评估用于自动化GMH评分的深度学习模型.
- 提高早产新生儿GMH诊断的准确性和效率.
- 提供强大的AI工具,以协助放射科医生在临床环境中.
主要方法:
- 分析了586个婴儿头骨超声波图像的数据集.
- 用YOLOv8深度学习模型进行对象检测和分类.
- 使用转移学习和数据增强技术来优化模型性能.
主要成果:
- YOLOv8模型实现了0.979.9的平均平均精度 (mAP50).
- 该模型在将GMH分为五个类别的分类方面表现出很高的表现:正常,第1级,第2级,第3级和第4级.
- mAP50-95得分记录在0.724,表明整体准确度很强.
结论:
- YOLOv8深度学习模型显示了准确和高效的GMH自动分级的巨大潜力.
- 这种人工智能驱动的方法可以作为放射科医生的宝贵辅助工具,改善诊断工作流程.
- 需要在不同的临床环境中进一步验证,以确认其广泛适用性.
