相关实验视频
Updated: Sep 13, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
523
通过人工智能推进患者护理:使用转移学习和混合特征提取来进行医疗图像细分的统一框架
Nazife Çevik1, Taner Çevik2, Onur Osman3
1Department of Computer Engineering, Istanbul Arel University, Istanbul, Türkiye.
Frontiers in medicine
|July 31, 2025
概括
这项研究将深度学习细分与经典特征提取和转移学习相结合,用于增强医疗图像分析. 综合方法显著提高了诊断诸如皮肤癌和脑瘤等疾病的准确性和概括性.
科学领域:
- 医学成像分析 医学成像分析
- 计算病理学计算病理学
- 人工智能在医学中的应用
背景情况:
- 准确的医学图像细分对于诊断皮肤癌,多和脑瘤等疾病至关重要.
- 深度学习方法表现有前途,但往往缺乏跨不同数据集和模式的概括性.
- 将细分与传统的特征提取相结合,可以提高稳定性.
研究的目的:
- 开发医疗图像分析的综合框架,使用细分,特征提取和转移学习.
- 为了提高跨多种医学成像数据集的细分和分类准确性.
- 提高诊断模型的通用性.
主要方法:
- 用U-Net模型对皮肤癌,多和脑瘤进行细分.
- 提取了古典纹理特征 (局部二进制模式和灰色水平共发生矩阵).
- 转移学习和支持矢量机器用于分类和性能评估.
主要成果:
- 通过U-Net的细分实现了高准确度 (例如,大脑瘤的准确率为99.66%).
- 局部二进制模式 (LBP) 显示出卓越的性能,在皮肤癌和息肉中达到98.80%的准确性.
- 综合方法在组合数据集上实现了99.22%的分类准确性.
结论:
- 集成深度学习细分,经典特征提取和转移学习显著提高了准确性和通用性.
- 这种强大的框架适用于各种医学成像任务.
- 该方法支持诊断精度和临床决策的进步.
