在圆束计算机断层扫描图像中使用深度学习模型检测concha bullosa:一个可行性研究

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• Concha bullosa (CB),或轮机的气动化,与鼻腔隔膜偏差和鼻腔问题有关.
• 准确检测CB对于诊断相关病态至关重要.

研究的目的:

• 评估深度学习模型在冠状束计算机断层扫描 (CBCT) 图像上识别CB的有效性.

主要方法:

• 使用离散波波变换 (DWT) 的对比度增强 (CE) 方法预处理CBCT扫描.
• 使用预训练的深度学习模型 (ResNet50,ResNet101,MobileNet),提取的特征被输入到随机森林 (RF) 分类器中.
• 203个CBCT扫描 (83个带有CB,120个没有) 的数据集被分为训练 (162) 和测试 (41) 集.

主要成果:

• CE-DWT-ResNet101-RF模型实现了最高的准确性 (91.7%),曲线下的面积 (AUC) 为98%.
• 这款车型也获得了最好的精度,回忆和F1分数 (全部92%).
• 而CE-MobileNet-RF表现最低,准确率为82.46%,AUC为92%;

结论:

• 深度学习模型在CBCT成像中显示出高精度CB检测的巨大潜力.
• 建议对更大的数据集和多种深度学习架构进行进一步的研究,以验证这些发现.