DGPCNet:使用深度全球金字塔卷积网络从多式手掌,指甲和眼结膜图像中检测贫血
Trushna Deotale1, Seemanti Saha2
1Department of Electronics Engineering, GH Raisoni College of Engineering, Affiliated with Rashtrasant Tukadoji Maharaj Nagpur University, Nagpur, India.
Expert review of hematology
|November 28, 2025
概括
本研究介绍了一种非侵入性贫血检测方法,用于使用深度全球金字塔卷积网络 (DGPCNet) 的儿童. 该模型通过分析手掌,指甲和眼睛结膜图像来实现高精度,提供了具有成本效益的诊断解决方案.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 儿科血液学 儿科血液学
背景情况:
- 贫血是一种普遍的血液学疾病,影响儿童的发育.
- 早期发现儿童贫血对于及时干预和改善结果至关重要.
- 非侵入性诊断技术具有成本效益和易用性,特别适用于儿科患者.
研究的目的:
- 为儿童开发和评估一种新的非侵入性贫血检测模型.
- 为了利用深度学习来分析解剖图像以诊断贫血.
主要方法:
- 提出了深度全球金字塔卷积网络 (DGPCNet) 模型用于贫血检测.
- 利用基于灰度的深度统计结构边缘 (GDSSE) 功能来增强表示.
- 分析了三个解剖区域的图像:手掌,指甲和眼睛结节.
主要成果:
- 在DGPCNet模型中,通过融合特征实现了97.66%的准确性.
- 具有高度的敏感性 (97.19%) 和特异性 (98.14%).
- 报告的假阳性率 (FPR) 为0.018和假阴性率 (FNR) 为0.028.
结论:
- 拟议的DGPCNet模型具有融合特征,显著提高了儿童贫血检测的准确性和可靠性.
- 在模型中的基于等级的学习提高了诊断性能.
- 解剖图像的非侵入性分析为儿科贫血查提供了一个有希望的方法.
