混合神经网络用于使用深度学习进行精确的水缩症分类
Abdus Salam1, Mansura Naznine2, Muhammad E H Chowdhury3
1Department of Electrical and Computer Engineering, Rajshahi University of Engineering & Technology, Rajshahi, Bangladesh.
Urology
|August 9, 2025
概括
这项研究引入了一个深度学习框架,用于在超声图像中实现自动和液体细分. 该系统在细分结构和分类水解方面实现了高精度,提高了诊断一致性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 泌尿器科 泌尿器科 泌尿器科 泌尿器科
背景情况:
- 使用脏超声波图像进行水缩评估可能是主观和可变的.
- 准确的和液体细分对于可靠的水缩症诊断至关重要.
研究的目的:
- 开发和评估深度学习框架,用于在超声图像中自动细分和液体.
- 为了提高诊断的准确性和减少水缩评估的变化.
主要方法:
- 一组数据集包括1731张脏超声波图像,用于培训和评估.
- 采用DenseNet201,特征金字塔网络 (FPN) 和自组织神经网络 (SelfONN) 层实现了深度学习框架.
- 用Dice系数,精度和回忆来评估细分性能;用流体与脏面积比率来分类水溶解.
主要成果:
- 该框架实现了脏 (Dice:0.92) 和液体 (Dice:0.89) 的高细分性能.
- 使用流体与脏面积比率,水性缩分类的准确度达到94%.
- 该模型在各种图像质量方面表现出强大的性能.
结论:
- 开发的框架为脏超声波图像分析提供了一个自动化和客观的管道.
- 该系统可提供高准确度的标准化和可重复的水解评估.
- 未来的工作包括模型优化和用于临床使用的可解释AI的整合.