相关实验视频
Updated: May 26, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
8.9K
可概括的深度神经网络用于宫图像的图像质量分类
Syed Rakin Ahmed1,2,3,4, Brian Befano5,6, Didem Egemen7
1Athinoula A. Martinos Center for Biomedical Imaging, Department of Radiology, Massachusetts General Hospital, Boston, MA, 02129, USA. syedrakin_ahmed@fas.harvard.edu.
Scientific reports
|February 21, 2025
概括
这项研究开发了一种人工智能 (AI) 图像质量分类器,用于宫图像. 人工智能模型准确评估图像质量,提高癌前和癌症检测的诊断可靠性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 人工智能模型的临床翻译通常受到不充分的图像质量控制的限制.
- 宫图像质量对于人类专家和人工智能对癌前病变和癌症的准确诊断至关重要.
- 模糊,照明和障碍物等因素显著影响宫图像质量.
研究的目的:
- 开发和验证用于宫图像的基于人工智能 (AI) 的图像质量分类器.
- 解决图像质量不佳的挑战,阻碍AI诊断模型在临床环境中的性能.
- 通过强大的图像质量评估,确保宫癌前期和癌症的可靠视觉诊断.
主要方法:
- 采用一个多阶段的模型选择过程,使用一个大型的,异质的数据集 (SEED,40534张图像),具有多层次的图像质量基础真相.
- 性能最好的模型在来自不同地区和设备的外部数据集 (EXT,1340张图像) 上进行了验证.
- 在各种数据异质性轴上评估了性能,包括设备,地理和地面真相评分器.
主要成果:
- 最好的模型实现了高性能,接收器操作特性曲线 (AUROC) 下的面积为0.92 (低质量与休息) 和0.93 (高质量与休息).
- 在内部验证集中观察到2.8%的最小极端错误分类 (%EM).
- 该模型在外部数据集上表现出强烈的概括性 (AUROC为0.83和0.82,%EM为3.9%) 并具有地理不可知性.
结论:
- 成功开发了用于宫图像的外部验证的AI图像质量分类器.
- 该模型解决了关于人工智能的概括性和图像质量在临床诊断中的影响的关键问题.
- 这项工作为宫癌查中的基于人工智能的管道提供了必要的护,提高了诊断准确度.
