用于指甲毛细血管图像的分类方法,使用一个优化的卷积神经网络的sugeno fuzzy组合来进行分类
Chiao-Chi Ou1, Yun-Chi Liu2, Kuo-Ping Lin3
1Department of Industrial Engineering and Enterprise Information, Tunghai University, Taichung City, Taiwan; Department of Medical Research, Taichung Veterans General Hospital, Taichung, Taiwan; Division of Allergy, Immunology, and Rheumatology, Department of Internal Medicine, Taichung Veterans General Hospital, No.1650, Sec. 4, Taiwan Blvd., Xitun Dist., Taichung City, Taiwan.
Computers in biology and medicine
|March 7, 2025
概括
使用模糊逻辑和多重卷积神经网络 (CNN) 的新方法准确地将指甲毛细血管图像分类为硬化风险. 这种综合方法在疾病检测方面表现优于单个CNN模型.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 系统性硬化症诊断系统性硬化症诊断
背景情况:
- 爪毛细膜镜对于诊断系统性硬化症等系统性疾病至关重要.
- 早期检测微血管变化 (扩大,损失,出血) 是至关重要的.
- 对指甲折叠图像的自动分析可以提高诊断效率.
研究的目的:
- 开发一种新的二进制分类方法,用于分析指甲毛细血管图像.
- 通过使用先进的图像分析技术来评估发展硬化症的风险.
- 为了提高从指甲图像诊断全身性硬化症的准确性和效率.
主要方法:
- 一种混合方法,将Sugeno模糊的整体推理系统与卷积神经网络 (CNN) 的集合结合起来.
- 使用了已建立的CNN架构:googLeNet,ResNet和DenseNet.
- 在指甲毛细血管图像数据集上训练和测试模型 (80%的训练,20%的测试).
主要成果:
- 拟议的综合方法实现了高性能:85%的准确性,81.82%的回忆率,90%的精度和85.17%的F1得分.
- 超过了个别的CNN模型,其准确度从67.96%到73.33%不等.
- 在分类指甲毛细血管图像方面表现出卓越的准确性和效率.
结论:
- 新的综合方法显著提高了分类指甲毛细血管图像对硬化风险的准确性.
- 合并CNN模型为在临床环境中推进指甲图像分析提供了一个有希望的途径.
- 这种方法为早期发现和监测系统性硬化症提供了更可靠的工具.
