使用转移学习对DDH进行自动扫描质量评估:开发一种新型组合系统
Yeon-Kyoung Ko1,2, Seung-Bo Lee2, Si-Wook Lee3
1Department of Brain and Cognitive Engineering, Korea University, Seoul, South Korea.
PloS one
|March 27, 2025
概括
这项研究开发了一种自动化系统,用于评估部超声波图像质量,以诊断婴儿部发育性形 (DDH). 该系统使用转移学习模型来评估解剖学地标,提高诊断准确性和减少变化.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 儿科整形外科 儿科整形外科
背景情况:
- 部发育性形 (DDH) 是一种常见的婴儿疾病,需要早期诊断才能进行有效的非侵入性治疗.
- 通过超声波 (美国) 进行准确的诊断依赖于精确识别解剖学标志.
- 观察者对地标识别的变化可能会影响诊断的准确性.
研究的目的:
- 开发一个自动化系统来评估盆腔美国图像质量.
- 用转移学习模型评估五个解剖学标志的质量.
- 为了解决DDH诊断中的观察者内部和观察者间的变异性.
主要方法:
- 利用来自韩国两家医院的1891名受试者的美国图像.
- 开发了一个集体系统与转移学习模型用于自动扫描质量评估.
- 采用梯度加权类激活映射用于模型验证,并为实时应用提出了替代序列方法 (ASM).
主要成果:
- 选择的模型实现了0.6或更高的kappa值,表明了实质性的协议.
- 对标准图像进行分类的AUC得分为0.89.
- 拟议的ASM证明了扫描质量评估效率的提高,ASM-1,ASM-2和ASM-3的分类时间分别为0.27,0.22和0.20秒,而全序列方法的分类时间为0.35秒.
结论:
- 该自动化系统有效地评估了用于DDH诊断的骨盆US图像质量.
- 转移学习模型在减少观察者变异性和改善诊断一致性方面表现有前途.
- 在临床环境中,ASM为实时扫描质量评估提供了更快,更有效的替代方案.