相关实验视频
Updated: May 29, 2025
08:04
Murine Fetal Echocardiography
Published on: February 15, 2013
17.2K
从基于深度学习的超声波图像中自动识别胎儿腹部平面
Ștefan Gabriel Ciobanu1,2, Iuliana-Alina Enache1,2, Cătălina Iovoaica-Rămescu1,2
1Doctoral School, University of Medicine and Pharmacy of Craiova, Craiova, Romania.
Journal of imaging informatics in medicine
|February 5, 2025
概括
人工智能 (AI) 在使用 MobileNet3Large 和 EfficientV2S 等深度学习模型自动识别胎儿腹部视图平面方面表现有前途. 这项技术可以通过提高效率来提高产前超声波诊断.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 产科和妇科 产科和妇科
背景情况:
- 通过超声波进行胎儿生物识别评估至关重要,但在产前护理中耗时.
- 准确识别标准胎儿腹部扫描平面对于可靠的测量至关重要.
- 目前的方法需要大量的专业知识和时间,突出了对自动化的需求.
研究的目的:
- 研究人工智能 (AI) 架构的有效性,以自动识别胎儿腹部扫描平面和结构.
- 具体评估深度学习模型在识别关键腹部视图平面方面的表现.
- 评估AI在简化产前超声波诊断方面的潜力.
主要方法:
- 超声波图像使用CV2和Keras-OCR进行了预处理,以删除文本和文物.
- 六个深度学习神经网络,包括Xception和MobileNetV3Large,被训练来分类9类胎儿腹部视图.
- 模型使用十倍交叉验证进行了评估,并进行了统计分析,包括ANOVA和Tukey的后期测试.
主要成果:
- 移动Net3Large实现了79.89%的准确性,而EfficientV2S实现了79.19%的准确性.
- 统计分析显示,模型之间存在显著差异,MobileNet3Large和EfficientV2S的表现优于其他模型.
- 图基的后期测试表明,MobileNet3Large和EfficientV2S的性能之间没有显著差异.
结论:
- 人工智能模型,特别是MobileNet3Large和EfficientV2S,显示出用于准确识别胎儿腹部视图平面的巨大潜力.
- 这些人工智能方法为提高产前超声波诊断的效率和一致性提供了一个有希望的途径.
- 建议进行进一步的研究,将这些AI模型与自动测量腹周自动测量的既定方法进行比较.
