基于EfficientNet的胎儿超声图像的自动多阶段分类模型

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 准确的胎儿超声波分类对于产前护理至关重要.
• 深度学习模型提供了提高诊断准确性的潜力.

研究的目的:

• 为了提高胎儿超声波图像分类准确度,使用EfficientNet.
• 评估模型在早期,中期和新生儿怀孕阶段的表现.

主要方法:

• 数据收集和胎儿超声波图像的预处理.
• 对EfficientNet卷积神经网络的培训和评估.
• 对不同妊娠年龄的模型性能进行比较分析.

主要成果:

• EfficientNet在胎儿超声波图像分类方面表现出卓越的性能.
• 该模型在从新生儿阶段对图像进行分类时取得了最高的准确性.
• 深度学习显著提高了分类性能.

结论:

• EfficientNet是一种有前途的深度学习方法,用于胎儿超声波分析.
• 提高分类准确性支持改善临床工作流程和产前诊断.
• 人工智能驱动的图像分析具有促进产科护理的潜力.