相关实验视频
Updated: Jul 19, 2026
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
通过集成基于ResNet-50的深度学习技术,使用面部图像来预测儿童的营养不良
S Aanjankumar1, Malathy Sathyamoorthy2, Rajesh Kumar Dhanaraj3
1School of Computing Science and Engineering, VIT Bhopal University, Bhopal-Indore Highway, Kothrikalan, 466114, Sehore, Madhya Pradesh, India.
Scientific reports
|March 6, 2025
概括
这项研究引入了一种人工智能图像细分技术,用于预测儿童严重急性营养不良 (SAM),简化诊断并减少手动测试的需要. ResNet-50模型实现了98.49%的准确性,超过了其他深度学习方法.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 儿科健康 儿科健康
背景情况:
- 严重急性营养不良 (SAM) 影响全球数百万儿童,印度面临重大挑战.
- 传统的营养不良诊断依赖于耗时的方法,如BMI监测和手动测试,在农村地区往往无法获得.
- 父母缺乏意识和错过医疗预约加剧了营养不良问题.
研究的目的:
- 为儿童早期营养不良预测开发基于人工智能的图像细分技术.
- 通过消除多次手动测试和专家咨询的需要,简化诊断过程.
- 利用深度学习来有效和准确地检测营养不良.
主要方法:
- 使用深度学习模型,特别是ResNet-50,结合快捷方式连接来解决消失梯度问题.
- 采用图像细分技术,从视觉数据直接预测营养不良.
- 将拟议模型的性能与其他深度学习模型 (如XG Boost,VGG 16,Xception和MobileNet) 进行比较.
主要成果:
- 在识别营养不良儿童方面,ResNet-50模型实现了98.49%的高精度.
- 与XG Boost (75.29%),VGG 16 (94%),Xception (95.41%) 和MobileNet (92.42%) 相比,拟的AI系统表现出更高的性能.
- 由人工智能驱动的方法可以有效地检测营养不良,而不需要预测分析功能或医学专家的建议.
结论:
- 开发的AI图像细分技术为儿童早期发现营养不良提供了有效和高效的方法.
- 这种方法大大简化了诊断,特别有利于偏远地区的儿童,他们获得医疗保健的机会有限.
- ResNet-50模型在改善儿科营养不良查和管理方面表现有前途.
