在视频内镜中使用深度学习方法来估计声姿势
Francesca Pia Villani1, Maria Chiara Fiorentino2, Lorenzo Federici2
1Department of Information Engineering, Universitá Politecnica delle Marche, Ancona, Italy. f.p.villani@staff.univpm.it.
Journal of imaging informatics in medicine
|February 12, 2025
概括
这项研究引入了一个深度学习框架,用于准确的声 (VF) 从喉腔镜图像的姿势估计. 新的热图回归方法通过精确计算前喉角 (AGA) 来改善喉疾病的诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 耳鼻喉科 耳鼻喉科 耳鼻喉科
背景情况:
- 准确的声 (VF) 姿势估计对于诊断喉疾病和VF至关重要.
- 目前的方法,如前角 (AGA) 估计是主观的,耗时的,需要专业知识.
- 视频内镜检查是评估VF运动性的标准.
研究的目的:
- 开发和验证一个深度学习框架,用于从临床喉科镜框架中精确的VF构成估计.
- 改进客观和高效的评估VF运动性和相关参数,如AGA.
- 克服现有方法的局限性,特别是在具有挑战性的临床场景中.
主要方法:
- 开发了一个深度学习框架,利用热图回归在三个关键解剖点上.
- 该框架估计了VF的位置,并从预测的关键点坐标计算了AGA.
- 来自124名患者的471个喉腔镜的新数据集被用于评估.
主要成果:
- 拟议的框架实现了VF姿势估计 (5.09像素) 的最低根平均平方误差 (RMSE).
- 热图回归显示了AGA评估中最低的平均平均误差 (MAE).
- 该方法在具有挑战性的图像中表现出卓越的表现,包括那些具有病理,噪音或闭塞的图像.
结论:
- 关键点热图回归使精确的VF阵列估计成为可能,与最先进的方法相比,最大限度地减少错误.
- 该框架提供了一种更客观,更有效的方法来评估VF运动性.
- 这种深度学习解决方案提高了临床实践中喉疾病的诊断能力.
