相关实验视频
Updated: Jul 14, 2026
10:44
Three-Dimensional Phase Resolved Functional Lung Magnetic Resonance Imaging
Published on: June 21, 2024
MFFC-Net:通过使用肺超声波图像与纹理分析和转移学习技术进行试点研究的多功能融合深度网络来分类肺
Ngoc Thang Bui1, Charlie E Luoma1, Xiaoming Zhang2
1Mayo Clinic Research, Rochester, NY, USA.
Journal of imaging informatics in medicine
|September 20, 2025
概括
这项研究引入了用于肺超声波分析的深度融合网络,在诊断肺和COVID-19中实现了高精度. MFFC-Net系统增强了医生使用先进图像分析技术的诊断能力.
科学领域:
- 医学成像和诊断 医学成像和诊断
- 医疗保健中的人工智能
- 肺部医学 肺部医学
背景情况:
- 肺部超声波 (LUS) 是一个有价值的护理工具,用于诊断儿科和成人患者的各种疾病.
- 准确有效地解释LUS图像对于及时的临床决策至关重要.
- 现有的方法可能缺乏复杂LUS分析所需的可解释性和融合能力.
研究的目的:
- 开发一个可解释的深度融合网络 (MFFC-Net),用于对LUS视频和患者进行分类.
- 为了利用纹理分析和转移学习,从LUS图像中提取增强的特征.
- 用LUS数据帮助医生诊断诸如肺和COVID-19之类的疾病.
主要方法:
- 从LUS图像中使用Inception-ResNet-v2和Inception-v3提取深度特征,以及纹理特征 (GLCM,直方图).
- 开发了一个多特征聚变分类网络 (MFFC-Net),整合了这些提取的特征.
- 采用机器学习模型 (ANN,SVM,XGBoost,kNN) 来进行患者级别的分类,特别是用于COVID-19检测.
主要成果:
- 在培训中实现了高性能指标,包括通过五倍交叉验证的准确性 (0.9969) 和F1得分 (0.9968).
- 使用LUS图像特征 (p < 0.01) 证明肺和正常肺之间存在显著差异.
- 在使用kNN的过程中,MFFC-Net在框架层面实现了100%的准确性,在患者层面实现了81.25%的准确性,用于使用kNN检测COVID-19.
结论:
- MFFC-Net系统为基于LUS的诊断提供了一种强大且可解释的方法.
- 与单个模型相比,深度和纹理特征的融合显著提高了分类性能.
- 这种由人工智能驱动的系统在提高诊断肺部疾病 (包括COVID-19) 的准确性和效率方面表现有前途.