使用EfficientNet和级联传输学习的深度学习来检测指甲毛细血管图像中的异常.
Mona Ebadi Jalal1, Omar S Emam2, Cristián Castillo-Olea3
1Hive AI Innovation Studio, Department of Computer Science and Engineering, University of Louisville, Louisville, KY, 40292, USA. mona.ebadijalal@louisville.edu.
Scientific reports
|January 15, 2025
概括
一个新的深度学习模型使用级传输学习在指甲毛细镜 (NFC) 图像上,在区分正常和异常病例方面取得了完美的准确性. 这种自动化工具对早期疾病检测和改善患者护理充满希望.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 微血管医学是一种微血管医学.
背景情况:
- 爪毛囊镜 (NFC) 检测出微血管变化,这些变化表明有系统性疾病,如糖尿病和全身性硬化症.
- 目前手动NFC评估是耗时的,主观的,并依赖于专家的解释.
- 对NFC图像的自动分析可以提高诊断效率和准确性.
研究的目的:
- 开发和验证一个深度学习框架,用于自动分类指甲毛细镜图像.
- 评估级传输学习方法的性能,使用EfficientNet-B0来区分正常和异常的NFC发现.
- 建立一个强大的自动化临床查工具,用于早期检测微血管异常.
主要方法:
- 使用了225张NFC图像的数据集,正常情况占数据的6%.
- 基于EfficientNet-B0的级联传输学习框架被实施.
- 该模型在ImageNet上进行了预训练,并使用特定域的NFC数据进行了微调.
主要成果:
- 拟议的级联转移学习模型实现了完美的性能指标:准确性,精度,回忆和F1得分为1.00,ROC_AUC为1.00.
- 这显著优于单个转移学习模型 (0.67准确率,0.83ROC_AUC) 和基于CNN的级联模型 (0.67准确率,0.83ROC_AUC).
- 该模型在区分正常和异常NFC图像方面表现出高效率.
结论:
- 深度学习,特别是使用EfficientNet-B0的级联传输学习,为NFC图像分析提供了可行且高效的自动化方法.
- 这种自动化框架有可能显著改善早期疾病检测和预防性医疗保健策略.
- 该研究强调了人工智能增强诊断工具的能力,从而改善患者的治疗结果和生活质量.
