使用MARDSE-UNET模型对卵巢的超声波图像进行自动毛囊计数
Debasmita Saha1, Ardhendu Mandal2, Akhil Kumar Das3
1Department of Computer Science, University of Gour Banga, Malda, West Bengal, India.
Ultrasonic imaging
|October 24, 2025
概括
这项研究引入了一种自动化系统,用于在超声波图像中检测卵巢卵泡,这对于诊断生殖健康问题至关重要. 新的MARDSE-UNet模型显著提高了识别这些重要结构的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 生殖内分泌学 生殖内分泌学
背景情况:
- 通过超声波检测卵巢结构对于妇科和生殖医学至关重要.
- 自动化系统可以帮助医生解释复杂的超声波图像.
- 精确的卵泡识别是诊断PCOS和不孕症等疾病的关键.
研究的目的:
- 开发和评估基于CNN的物体探测器,用于对卵巢毛囊进行细分和计数.
- 通过使用集成的深度学习架构来提高毛囊检测性能.
- 为生殖健康诊断提供全面的工具.
主要方法:
- 开发多重注意力残留扩展的UNet与挤压和刺激 (MARDSE-UNet) 模型.
- 剩余UNet,扩张UNet和挤压激发块的整合.
- 使用USOVA3D数据集进行5倍交叉验证,进行严格的测试.
主要成果:
- 马德斯-UNet实现了高性能:98.69%的准确性,97.89%的精度,97.7%的回忆,86.97%的F1得分,95.66%的IOU.
- 新的预处理和后处理阶段改善了降噪和特征提取.
- 该模型的表现优于传统的CNN和最先进的方法.
结论:
- 马德斯-UNET模型在自动卵巢卵泡检测方面表现出卓越的性能.
- 该系统为诊断各种生殖健康状况提供了有价值的工具.
- 进一步开发可以增强妇科成像中的临床应用.


