在使用深度学习的儿科患者中自动检测多微症
Shagnik Guha1, Venkatesh Bhandage2, Aman Agarwal1
1Manipal Institute of Technology, Manipal Academy of Higher Education, Manipal, India.
Scientific reports
|November 25, 2025
概括
先进的图像预处理显著提高了卷积神经网络 (CNN) 的性能,用于从MRI扫描中诊断多微症 (PMG). 这种技术增强了微妙的特征识别,帮助临床医生识别这种复杂的神经疾病.
科学领域:
- 神经学 神经学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 多微症 (PMG) 是一种复杂的神经系统疾病,其特征是皮层的异常折叠,往往导致发育延迟和发作.
- 微妙的PMG成像特征可能会给诊断带来挑战,即使是经验丰富的临床医生.
- 准确及时诊断PMG对于有效的患者管理和干预至关重要.
研究的目的:
- 评估先进的图像预处理技术对聚微症 (PMG) 卷积神经网络 (CNN) 诊断性能的影响.
- 确定最佳的预处理策略,以加强在脑MRI扫描中检测微妙的PMG相关异常.
- 提高人工智能辅助PMG诊断的准确性和可靠性.
主要方法:
- 一个预处理管道包括Min-Max规范化,CLAHE,双边过和Canny边缘检测被应用于脑MRI扫描.
- 多个CNN架构 (ResNet-101,ResNet,VGG,MobileNetV2,DenseNet-201) 在预处理和不预处理的情况下进行了训练和评估.
- 使用GradCAM++可视化和解释CNN模型的决策过程.
主要成果:
- 所有测试的CNN架构在图像预处理后都显示了性能增强.
- ResNet-101实现了最显著的准确性改进,增加了10.3%.
- 与MobileNetV2和DenseNet-201.1相比,ResNet和VGG架构表现出了优越的性能增长.
结论:
- 先进的图像预处理技术对于提高医疗图像分析中的深度学习模型的能力至关重要.
- 拟议的预处理策略有效地改善了与多微型手术相关的微妙异常的检测.
- 这种方法提供了一种有价值的工具,以帮助医疗保健提供者准确诊断多微症.
