通过成像分析和深度学习技术,提高管灯仪器的清洁质量
Changjun Chen1, Yewen Feng2, Lijun Lu3
1Department of Clinical Engineering, The Second Affiliated Hospital, School of Medicine, Zhejiang University, Hangzhou, China.
Biomedizinische Technik. Biomedical engineering
|April 17, 2025
概括
本研究引入了一种人工智能驱动的图像分析系统,以改善复杂管灯仪器 (TLI) 的清洁质量检查. 深度学习模型的准确度超过98.3%,提高了患者的安全性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 可重复使用的管灯仪器 (TLI) 由于其复杂的内部结构,造成了清洁挑战.
- 确保TLI的清洁性对于预防医疗相关感染和保持患者安全至关重要.
研究的目的:
- 开发和验证基于深度学习的自动化系统,用于检查可重复使用的TLI的清洁质量.
- 提高TLI清洁检查的可靠性和准确性,减少对手工方法的依赖.
主要方法:
- 利用电子内镜成像清理的TLI创建一个数据集.
- 应用图像预处理技术,包括增强,切片和门过.
- 开发并优化了深度学习模型,结合了注意力机制 (scSE) 来改善特征焦点.
主要成果:
- 优化的FA-ResNet18模型与scSE注意力实现了优越的性能比基线模型.
- 包括精度,宏观精度,宏观回忆和宏观F2在内的关键性能指标超过了98.3%.
- 该模型在TLI图像分类中表现出增强的性能和稳定性.
结论:
- 开发的深度学习方法为客观的TLI清洁质量检查提供了有效的解决方案.
- 这种自动化方法减轻了与主观手动检查和视觉疲劳相关的风险.
- 这些发现有助于改善医疗保健机构的患者安全和临床可靠性.
