基于深度学习的组合用于自闭症谱系障碍诊断,使用面部图像
Tayyaba Farhat1,2, Sheeraz Akram1,2,3, Muhammad Rashid4
1Faculty of Computer Science and Information Technology, The Superior University, Lahore, Pakistan.
PloS one
|April 22, 2025
概括
早期发现自闭症谱系障碍 (ASD) 是至关重要的. 使用面部图像的深度组合模型实现了97%的准确性,改善了早期ASD诊断,并支持健康和福祉.
科学领域:
- 神经发育障碍 神经发育障碍
- 机器学习应用 机器学习应用
- 医学成像分析 医学成像分析
背景情况:
- 自闭症谱系障碍 (ASD) 是一种影响社会沟通的神经发育状况.
- 早期发现自闭症对于缓解社会障碍至关重要.
- 深度学习模型提供了比传统方法更强大的ASD早期检测能力.
研究的目的:
- 用面部图像开发一个深度组合模型,以准确地检测自闭症谱系障碍.
- 利用整体学习来提高ASD诊断中的预测性能.
- 通过先进的预处理来解决现有的ASD检测数据集的局限性.
主要方法:
- 开发了一个结合VGG16和Xception网络的深层组合模型.
- 面部图像进行了广泛的预处理,包括侧向正面姿势转换和直方形平衡.
- 用数据增强和HSV颜色模型来增强图像数据.
主要成果:
- 提出的深层组合模型在ASD检测中实现了97%的准确性.
- 该模型在Kaggle ASD面部图像数据集上表现出卓越的性能.
- 该方法有效地整合了VGG16和Xception网络的特征提取.
结论:
- 开发的深层组合模型显示了早期和准确的ASD检测的重大前景.
- 这种方法支持早期干预,有可能减少ASD患者的社会障碍.
- 该研究与可持续发展目标3相一致,促进健康和福祉.
更多相关视频
11:14A Novel Experimental and Analytical Approach to the Multimodal Neural Decoding of Intent During Social Interaction in Freely-behaving Human Infants
Published on: October 4, 2015
10.8K
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
901
