基于人工智能驱动的诊断模型,用于检测计算机断层扫描图像中的鼻鼻模糊:开发和评估

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 在计算机断层扫描 (CT) 图像上对鼻 (PNS) 的视觉分析是耗时的,劳动密集的和主观的.
• 人工智能 (AI) 和机器学习 (ML) 工具正在开发中,以自动化放射图像分析.
• 目前用于PNS分析的方法缺乏效率和客观性.

研究的目的:

• 开发和评估一种无编码的ML模型,用于CT图像上自动识别PNS.
• 评估AI在PNSCT图像解释中的准确性和实用性.
• 为手动PNS分析提供一种有效和客观的替代方案.

主要方法:

• 使用了来自90项研究的19,119张匿名冠状动脉CT图像的数据集.
• 图像被注释为鼻位置,名称和不透明状态.
• 使用YOLOv2算法训练了一种无编码的ML模型,并使用F1分数和交叉与联盟 (IoU) 度量进行评估.

主要成果:

• 在测试数据集上,ML模型实现了平均F1分数为0.89和平均IOU50分数为79%.
• 该模型在检测正常的状鼻方面表现出最高的准确性.
• 在检测不透明的额头鼻腔时,观察到的准确度最低.

结论:

• 人工智能和机器学习可以有效地自动解释PNSCT图像.
• 可以开发和部署一个无编码的ML模型,用于自动PNS识别,其准确性与定制编码模型相美.
• 这种方法为有效和客观的放射性图像分析提供了一个有希望的解决方案.