声障碍 通过结构相似性指数和基于深度学习的方法对定制视频喉腔镜数据集的分类和优化

科学领域:

• 耳鼻喉科 耳鼻喉科 耳鼻喉科
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 视频喉腔镜对于诊断喉病变至关重要,但依赖于手动检查,冒着错误和延误的风险.
• 当前的诊断方法可能会忽略微妙的结构变化,影响早期检测和治疗.
• 人工智能有可能提高诊断可靠性,加快识别声异常的速度.

研究的目的:

• 开发和评估混合卷积神经网络 (CNN),以有效地分析视频喉腔镜数据.
• 通过消除多余的来减少数据处理负载,并专注于临床上重要的关键.
• 提高诊断喉病变的准确性和速度,包括声结节和息肉.

主要方法:

• 一个混合CNN架构被设计用于处理视频喉科镜头.
• 使用结构相似性指数测量 (SSIM) 提取了关键框架,使用不同的值.
• 该系统分类了健康个体和患有声结节或多的患者的.

主要成果:

• 0.90的SSIM值有效地选择了信息关键框架,平衡了数据减少和信息内容.
• 人工智能模型在识别喉疾病方面实现了98%的整体分类准确度.
• 这种方法显著减少了内存使用量和处理时间,同时保持了高诊断性能.

结论:

• 拟议的人工智能驱动方法通过优先考虑关键信息来优化视频喉腔镜分析.
• 这种技术有助于医生更快地做出喉病理的诊断决定.
• 该系统有效地减少了计算需求,使高级分析更容易获得.