深度学习辅助的空气与骨间隙的预测使用小膜穿孔图像特征

科学领域:

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

背景情况:

• 听力测量对于评估导电性听力损失至关重要.
• 在某些人群和环境中,对听力测试的准入可能受到限制.
• 耳膜 (TM) 穿孔可能会影响听力,需要进行准确的评估.

研究的目的:

• 评估一种深度学习 (DL) 方法,用于从 tympanic membrane (TM) 穿孔图像中预测空气-骨间隙 (ABG).
• 从TM图像中自动化细分和特征提取,用于ABG预测.
• 为了解决听力测量可用性的局限性.

主要方法:

• 一个基于Mask区域的卷积神经网络 (Mask R-CNN) 在1014个完整的和150个穿孔的TM图像上受过训练.
• 细分性能使用类像素精度 (CPA),交叉与联合 (IoU) 和子系数来评估.
• 用回归模型提取定量特征来预测ABG,通过R2和根平均平方误差 (RMSE) 评估性能.

主要成果:

• TM和穿孔细分获得了很高的分数 (CPA,IoU,Dice).
• 深度学习模型预测了ABG,R2值为0.433 (理论) 和0.516 (二进制).
• 通过DL辅助的模型实现了83%和86%的准确性,相当于手动注释.

结论:

• 对TM图像的深度学习分析能够准确地预测ABG.
• 这种DL方法可以提供一个可扩展的工具来支持传导性听力损失评估.
• 它在缺乏传统听力测试的环境中特别有用.