人工智能辅助常见的母胎平面预测从超声波图像基于信息融合定制的卷积神经网络的信息融合

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 超声波成像对于监测胎儿发育至关重要,因为它是实时的,非侵入性的和具有成本效益的.
• 人工智能 (AI) 和深度学习 (DL) 在医疗成像中越来越重要,用于复杂的任务,如胎儿器官分类.
• 现有的DL分类系统需要评估,以便在母胎保健机构实际应用.

研究的目的:

• 在临床环境中评估和增强胎儿超声波图像的深度学习分类系统.
• 开发和提出新的深度学习架构,以提高胎儿器官分类的准确性.

主要方法:

• 使用了两个公共数据集:FPSU23数据集和胎儿成像.
• 设计了两种新的深度学习架构,包括剩余块和各种卷积过器大小.
• 采用贝叶斯优化来实现超参数初始化,并改进了通用正常分布优化器 (GNDO) 来进行特征优化.
• 在使用神经网络进行分类之前,实施了一种新的融合技术,将两种模型的特征结合起来.

主要成果:

• 通过拟议的模型实现了98.5%和88.6%的分类准确度.
• 与现有的最先进的方法相比,证明了显著的改进.
• 从平均聚合层中提取和优化深层特征,以提高分类性能.

结论:

• 拟议的深度学习架构在超声波图像中对精确的胎儿器官分类有很大的前景.
• 开发的方法为现实世界的孕产妇和胎儿保健应用提供了显著的进步.
• 在医学成像中进一步整合AI可以带来更精确,更有效的诊断工具.