使用视觉变压器进行胎儿诊断,以提高超声波成像中的健康和严重性预测

科学领域:

• 医学成像和人工智能 医学成像和人工智能
• 胎儿健康监测 监测胎儿健康
• 医疗保健中的深度学习

背景情况:

• 新生儿死亡率仍然是一个挑战,特别是在发展中国家,需要先进的诊断工具.
• 现有的胎儿超声波机器学习模型需要更高的精度来准确预测.
• 人工智能为提高胎儿健康评估的准确性提供了一个有希望的途径.

研究的目的:

• 开发和评估一种新的健康分类和严重性检测系统,使用视觉转换器 (ViTs) 进行胎儿超声波成像.
• 与传统模型相比,提高胎儿健康状况检测和异常评估的精度.
• 探索ViTs在辨别胎儿超声波图像中的复杂模式中的有效性,以精确分类胎儿福祉.

主要方法:

• 收集了500张胎儿超声波图像的数据集,并由放射科医生对健康状况和异常严重程度进行了注释.
• 在模型训练之前,数据集经历了各种预处理技术.
• 一个优化的视觉变压器 (ViT) 模型被训练使用亚当算法与交叉损失函数.

主要成果:

• 开发的ViT模型实现了90%的分类准确度来检测严重程度.
• 该模型显示高F1得分为0.87和平均绝对误差 (MAE) 为0.30.
• 在超声波图像中,ViTs在捕捉细粒度空间关系方面表现出卓越的有效性,从而导致准确的预测.

结论:

• 视觉转换器 (ViT) 显示出通过精确可靠的AI驱动的预测来彻底改变胎儿健康监测的巨大潜力.
• 该系统可以通过基于准确的诊断信息进行早期干预,从而有助于减少新生儿死亡率.
• 这项研究为未来人工智能在胎儿健康诊断中的应用奠定了基准.