LPC-SonoNet:基于SonoNet和轻金字塔卷积的轻量级网络,用于胎儿超声波标准平面检测
Tianxiang Yu1, Po-Hsiang Tsui2,3,4,5, Denis Leonov6,7,8
1Department of Biomedical Engineering, College of Chemistry and Life Science, Beijing University of Technology, Beijing 100124, China.
Sensors (Basel, Switzerland)
|December 17, 2024
概括
一个新的轻量级深度学习模型,LPC-SonoNet,有效地检测胎儿超声波标准平面 (FUSPs). 它以比SonoNet少得多的参数实现了高精度,有助于胎儿形诊断.
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:
- 胎儿超声波标准图 (FUSP) 检测对于诊断胎儿异常和预防围产期死亡至关重要.
- 现有的深度学习模型,如SonoNet,虽然有效,但由于网络参数大小而受到影响,限制了它们的实际应用.
- 需要更有效的深度学习模型来检测FUSP.
研究的目的:
- 引入一个新的,轻量级的深度学习网络,LPC-SonoNet,用于增强FUSP检测.
- 为了减少SonoNet的计算复杂性和参数大小,同时保持或提高检测准确性.
- 开创FUSP的九个类别的深度学习分类.
主要方法:
- 开发了一个光金字塔卷积 (LPC) 块,灵感来自于YOLOv6的SimSPPF,以高效地提取多尺度的特征.
- 将LPC块集成到SonoNet64架构中,取代卷积块以创建LPC-SonoNet.
- 在12400张胎儿超声波图像的数据集上训练和评估LPC-SonoNet模型,包括一个九类分类任务.
主要成果:
- LPC-SonoNet实现了高精度:97.0%的六个类别和91.9%的九个类别的测试组.
- 拟议的模型显著降低了网络参数到430万,而SonoNet64的1490万.
- 性能指标略高于原始SonoNet64模型的性能指标.
结论:
- 对于FUSP检测,LPC-SonoNet提供了一个计算效率高,准确的解决方案.
- 新的LPC块有效地提取了具有减少参数足迹的多尺度特征.
- 这种轻量级网络对胎儿超声波分析中的现实世界临床应用具有前景.
更多相关视频
03:14Author Spotlight: Enhancing Success of Ultrasound-Guided Neuraxial Anesthesia in Cases with Difficult Anatomy
Published on: January 31, 2025
287
06:15Protocol and Guidelines for Point-of-Care Lung Ultrasound in Diagnosing Neonatal Pulmonary Diseases Based on International Expert Consensus
Published on: March 6, 2019
49.6K
