深度学习模型的研究和应用与多尺度特征融合用于口腔粘膜疾病的损伤细分的深度学习模型的研究和应用
Rui Zhang1,2,3, Miao Lu4, Jiayuan Zhang4
1Zhejiang Provincial Key Laboratory of Internet Multimedia Technology, College of Biomedical Engineering & Instrument Science, Zhejiang University, Hangzhou 310027, China.
Bioengineering (Basel, Switzerland)
|November 27, 2024
概括
本研究介绍了一种使用SegFormer语义细分的AI诊断工具,用于精确检测口腔粘膜疾病. 人工智能模型准确地对图像中的病变进行细分,帮助临床诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 诊断口腔粘膜疾病是复杂的,传统方法缺乏精度.
- 在口腔粘膜疾病图像中的病变的自动细分对于客观诊断至关重要.
研究的目的:
- 开发一种高精度的人工智能辅助诊断方法,用于口腔粘膜疾病.
- 使用SegFormer模型在白光图像中自动分割病变区域.
主要方法:
- 一个数据集由838张口腔粘膜疾病图像 (口腔平,白血病,亚粘膜纤维化) 进行了策划和像素级的注释.
- 设计了一个SegFormer模型,并使用交叉验证与UNet和DeepLabV3进行了比较.
- 使用子系数和欧盟 (mIoU) 的平均交叉点来评估绩效.
主要成果:
- SegFormer-B2 模型以 0.710 的 Dice 系数和 0.786.78 的 mIoU 实现了最佳性能.
- SegFormer显著超过了像UNet和DeepLabV3.3这样的传统细分模型.
- 视觉分析证实了三种常见的口腔粘膜疾病的病变区域的准确细分.
结论:
- SegFormer模型为常见的口腔粘膜疾病提供了精确的自动细分.
- 这种人工智能方法提供了一个可靠的辅助工具,以提高临床诊断的效率和准确性.
- 该研究强调了AI在口腔医学中的潜在临床应用价值.
