发展乳头创伤评估系统与深度学习的开发.

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 支持母乳养的支持

背景情况:

• 目前还没有对深度学习应用在母乳养支持方面进行过先前的研究.
• 乳头创伤是影响母乳养母亲的常见并发症.

研究的目的:

• 开发一种基于深度学习的系统,用于自动评估乳头创伤.
• 改善对哺乳期患者乳头创伤的客观评估.

主要方法:

• 使用探索性数据分析方法与对象检测和分类算法.
• 开发了一个深度学习模型,使用753张图像被分类为"乳头创伤的七个迹象".
• 增强了数据并将最初的八个类别合并为四个类别:没有,轻微,中度和严重.

主要成果:

• 该物体探测器实现了高平均精度和每秒 (FPS) 的乳头和叶检测.
• 八类分类器显示了显著的曲线下面面积 (AUC) 值 (>0.8) 对于特定的创伤迹象,如裂和.
• 四个类别的分类器准确地预测了严重的条件 (AUC>0.7),尽管小或未分类类别的性能较低.

结论:

• 一个复杂的深度学习系统可以自动检测和分类乳头创伤.
• 这项技术有可能通过客观的图像评估来帮助母乳养护理人员.
• 该系统可能会导致临床实践和母乳养支持的操作改进.