通过使用X射线腺体图像的集体深度学习模型自动识别腺体缩
Sedat Örenç1, Emrullah Acar2, Mehmet Siraç Özerdem3
1Electrical-Electronics Engineering Department, Batman University, Batman, Turkey. sedat.orenc@batman.edu.tr.
Journal of imaging informatics in medicine
|January 30, 2025
概括
深度学习模型使用X射线图像准确地分类腺缩. 掩盖图像显著提高了分类准确性,ResNet50在诊断这种常见的儿童疾病方面达到100%.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 儿科耳鼻喉科 儿科耳鼻喉科
背景情况:
- 腺体缩或腺体缩会导致儿童呼吸和睡眠问题.
- 对于腺增大症的传统诊断方法可能不准确.
- 准确的诊断对于有效的治疗和管理至关重要.
研究的目的:
- 评估一套集体深度学习方法来分类腺体缩.
- 为了比较各种卷积神经网络 (CNN) 模型的性能.
- 评估图像掩盖对分类准确性的影响.
主要方法:
- 利用来自蝙蝠侠训练和研究医院的蒙面和无蒙面X射线图像的数据集.
- 训练并比较了六个深度学习模型:EfficientNet,MobileNet,ResNet50,ResNet152,VGG16和Xception. 在这些模型中,我们使用了6个深度学习模型.
- 基于分类准确性和F1得分的评估模型性能.
主要成果:
- 在蒙面图像上,ResNet50实现了100%的准确性,展示了卓越的性能.
- Xception表现最差,F1得分为65%,表现最低.
- 图像掩饰显著提高了跨模型腺体分类的准确性和可靠性.
结论:
- 深度学习,特别是图像掩盖,提供了一个可靠的方法来分类腺体缩.
- 在这个任务中,ResNet50和EfficientNet表现出强大的泛化能力.
- 该研究强调了预处理技术在医疗AI应用中的重要性.
