使用轻量级CNN基于注意力的深度学习架构进行高效的特征提取,用于超声波胎儿平面分类
Arrun Sivasubramanian1, Divya Sasidharan2, V Sowmya2
1Amrita School of Artificial Intelligence, Amrita Vishwa Vidyapeetham, Coimbatore, India. arrun.sivasubramanian@gmail.com.
Physical and engineering sciences in medicine
|May 28, 2025
概括
一个新的AI模型准确地分类胎儿超声波图像,帮助产前发育评估. 这种轻量级的方法使用深度学习实时胎儿平面分类,改善孕妇的诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 产科 产科 产科 产科 产科
背景情况:
- 超声波中的胎儿平面分类 (FPC) 对临床医生来说至关重要但具有挑战性.
- 准确的FPC需要识别微妙的胎儿解剖特征,往往耗时.
- 现有的方法可能缺乏效率和在临床环境中部署的便利性.
研究的目的:
- 开发一种轻量级的人工智能模型,用于准确高效的胎儿平面分类.
- 帮助产科医生从超声波图像中识别胎儿的关键解剖平面.
- 实现实时FPC,以改善产前诊断.
主要方法:
- 使用轻量级卷积神经网络架构与注意力机制.
- 精心调整的EfficientNet背骨在ImageNet1k上预先训练,用于特征提取.
- 使用三层感知子进行分类,并使用GradCAM进行解释.
主要成果:
- 实现了高性能,Top-1精度为96.25%,Top-2精度为99.80%.
- 获得了0.9576的F1-Score,用于胎儿平面分类.
- 该模型的可训练参数比现有的基准标准少40倍.
结论:
- 拟议的AI模型为胎儿平面分类提供了高度准确和高效的解决方案.
- 它的轻量级设计有助于在边缘设备上部署实时临床协助.
- 该模型有助于预期母亲的诊断和治疗计划.