开发一种新型机器学习模型,用于自动评估从多注释器标签上的阴道超声图像的质量
Alison Deslandes1, Daniel Petashvili2, Hu Wang3
1Robinson Research Institute University of Adelaide Adelaide Australia.
Australasian journal of ultrasound in medicine
|September 25, 2025
概括
一个新的机器学习模型自动评估妇科扫描的跨阴道超声波 (TVUS) 图像质量. 这种人工智能工具实现了80%的准确性,超过了人类的性能,提高了诊断可靠性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 妇科病理学的准确诊断依赖于高质量的经阴道超声波 (TVUS) 图像.
- 评估TVUS图像质量对于可靠的妇科诊断至关重要.
- 目前用于图像质量评估的方法可能是主观的,耗时的.
研究的目的:
- 开发一种新的机器学习模型,用于自动评估TVUS图像质量.
- 提高妇科超声波图像质量评估的准确性和效率.
- 创建一个工具,可以在TVUS考试期间提供实时反.
主要方法:
- 采用多注释器噪音标签方法,涉及六名成像专业人员评分150张TVUS图像.
- 开发了一种新的机器学习架构,结合了加权集成算法和多轴视觉变压器 (MaxViT).
- 该模型在120张图像上进行了训练,并在30张图像上进行了测试,将其性能与基线ResNet50模型和人类得分器进行了比较.
主要成果:
- 开发的机器学习模型实现了80%的验证准确性和77%的宏观平均回忆.
- 这一性能明显优于基线ResNet50方法,该方法的准确率为57%.
- 马克斯维特模型的准确度为80%,超过了六个人类图像质量评估人员中的四个.
结论:
- 一个新的机器学习模型提供了一种自动化和准确的方法来评估TVUS图像质量.
- 这种人工智能工具有可能增强实时反,减少重复成像,并改善妇科病理诊断.
- 该模型在评估图像质量方面,与人类专家相比,表现优越.
