使用PCA-KMeans伪标记和注意力增强的MobileNet-LSTM模型进行胎儿超声波图像分类的方法
Aniket K Shahade1, Priyanka V Deshmukh1, Pritam H Gohatre2
1Symbiosis Institute of Technology, Pune Campus, Symbiosis International (Deemed University), Pune, India.
MethodsX
|September 2, 2025
概括
这项研究引入了用于精确胎儿超声波图像分类的深度学习框架,克服了无监督伪标签的数据限制,并实现了近98%的准确性.
科学领域:
- 医学成像
- 人工智能
- 生物医学工程
背景情况:
- 胎儿超声波图像的准确分类对于早期诊断至关重要,但由于标记数据有限和类别间的高变异性而受到阻碍.
- 现有的方法难以获得数据,影响诊断的可靠性.
研究的目的:
- 开发一个强大的深度学习框架,用于增强胎儿超声波图像分类.
- 通过无监督学习技术解决有限的标记数据和类不平衡的挑战.
主要方法:
- 设计了一种混合深度学习架构,结合了MobileNet,多头自我注意和LSTM层.
- 使用主要组件分析 (PCA) 和K-means进行无监督聚类用于伪标签生成和类平衡.
- 在模型训练的增强数据集上使用转移学习.
主要成果:
- 拟议的模型达到约98%的测试准确性.
- 获得了0.98的宏F1得分,表明了高度可靠的分类性能.
- 该框架在测试数据集上表现出强大的概括能力.
结论:
- 开发的深度学习框架有效地提高了胎儿超声波图像分类的特征学习和时间上下文.
- 无监督的伪标签和类平衡策略成功解决了数据稀缺和不平衡问题.
- 该模型的高精度和宏F1得分表明其具有可靠临床应用的潜力.
