通过SE-ResNet18和信任过来改善烧伤诊断
Hanyue Mo1, Ziwen Kuang1, Haoxuan Wang1
1Zhejiang-New Zealand Joint Vision-Based Intelligent Metrology Laboratory, College of Information Engineering, China Jiliang University, No. 258 Xueyuan Street, Hangzhou, Zhejiang, 310018, China.
Journal of imaging informatics in medicine
|April 8, 2025
概括
这项研究引入了一个深度学习模型,用于准确的烧伤严重程度分类,达到99.19%的准确性. 增强的ResNet18方法为临床烧伤评估提供了更高的精度和实时性能.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 计算病理学计算病理学
背景情况:
- 准确的烧伤严重程度分类对于有效的临床管理至关重要.
- 目前的方法努力平衡精度与实时性能要求.
- 深度学习为自动化和准确的燃烧评估提供了潜力.
研究的目的:
- 开发一种深度学习模型,用于准确和实时的烧伤严重程度分类.
- 通过改进的ResNet18架构和注意力机制来提高分类准确性.
- 通过适应性学习速率和先进的优化技术来优化模型的性能.
主要方法:
- 实施了一个深度学习系统,包含数据预处理,分类,优化和后处理模块.
- 使用了增强的ResNet18架构,并结合了注意力机制.
- 采用了自适应式学习速率 (共弦回火,类特定梯度适应) 和改进的Adam优化器.
- 集成的信心过和加权聚合用于精确的预测.
主要成果:
- 拟议的模型实现了 99.19% ± 0.12.12 的分类准确度.
- 平均精度 (mAP) 达到了98.72%±0.10.
- 证明了高诊断可靠性和实时临床应用的潜力.
结论:
- 深度学习方法显著提高了烧伤严重程度分类的准确性.
- 该模型有效地平衡了临床使用的精度和实时性能.
- 这种方法有望提高烧伤评估的诊断可靠性.
更多相关视频
06:08Quantitative Visualization and Detection of Skin Cancer Using Dynamic Thermal Imaging
Published on: May 5, 2011
16.7K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K