在使用注意力机制的HFUS图像上对皮肤层的细分
Anna Slian1, Katarzyna Korecka2, Adriana Polańska2
1Silesian University of Technology, Akademicka 2A, Gliwice, 44-100, Poland.
Computer methods and programs in biomedicine
|February 27, 2025
概括
这项研究引入了一种新的深度学习模型,用于在高频超声波图像中对皮肤层进行细分,实现高精度和低误差率,以改善皮肤病诊断和治疗评估.
科学领域:
- 皮肤病学 皮肤病学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 高频超声波 (HFUS) 对于在皮肤病学中可视化皮肤表面结构至关重要.
- 自动超声波图像分析,特别是深度学习,正在推进诊断能力.
- 皮肤层的精确细分 (入口回声,SLEB,皮肤) 对于临床评估和治疗监测至关重要.
研究的目的:
- 开发和评估一种新的神经网络模型,用于HFUS图像中准确的皮肤层细分.
- 为了评估序列模型的性能,并预先对入口回声层进行细分.
- 为了能够精确测量皮肤参数进行差异诊断和治疗评估.
主要方法:
- 设计了一个新的神经网络模型,整合了上下文特征金字塔块和注意力门.
- 测试了一种序列模型,用于预分割入口回声层.
- 这些模型在两个不同的HFUS图像数据库上使用各种超声波机器和探测频率进行了验证.
- 性能指标包括整体图像分类和SLEB层的特定虚假阳性/负率.
主要成果:
- 这种新型模型实现了高平均子指数:0.95 (入口回声),0.85 (SLEB) 和0.93 (皮肤).
- 在没有转移学习的情况下训练的模型在所有情况下都表现出完美的皮肤检测.
- 实现了极低的虚假阳性率 (0.35%和0%) 和虚假阴性率 (4.48%和3.66%).
结论:
- 背景特征金字塔模块和注意力门可以提高皮肤层检测和细分精度.
- 与现有的HFUS图像分析模型相比,提出的方法显示出更高的性能.
- 低虚假阳性和虚假阴性率证实了这种新方法在临床应用中的有效性.
