S-ResNet-34:小样本-ResNet-34用于预测X射线图像数据中的宫变性
Zihan Wei1, Han Wu2, Yifei Xu2
1Department of Bone and Soft Tissue Oncology, Chongqing University Cancer Hospital, Chongqing, 400030, China.
BMC musculoskeletal disorders
|December 1, 2025
概括
一个新的深度学习模型S-ResNet-34准确地从X射线图像中诊断出宫曲率异常. 这种具有成本效益的解决方案可以提高宫脊髓炎等疾病的诊断准确度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 宫生理曲异常很常见,需要准确的诊断方法.
- 目前的诊断方法可能缺乏准确性或成本效益较低.
- 改进的深度学习模型可以提高宫脊椎病的诊断.
研究的目的:
- 开发一个改进的深度学习模型,以准确和经济有效地诊断宫生理曲率异常.
- 引入S-ResNet-34模型,增强非线性表示,以提高诊断能力.
主要方法:
- 从240名宫脊椎病患者收集和分类X射线图像,将其分为正常,直直和反向曲率类别.
- 利用YOLO-V3进行对象检测和数据增强,以创建一个实验数据集.
- 开发了基于ResNet-34架构的S-ResNet-34模型,并集成了一个可学习的重量矩阵.
主要成果:
- 在测试组中,S-ResNet-34模型实现了90.94%的准确性,85.27%的F1得分和85.36%的回忆.
- 与CNN,SVM,RNN,DenseNet和ResNet-152模型相比,表现出更高的性能.
- 在小样本的X射线图像数据中,在区分宫曲率异常方面表现出有效性.
结论:
- S-ResNet-34模型提供了一种创新的深度学习方法,用于在小样本X射线分析中进行辅助诊断.
- 这种模型简化了诊断过程,同时保持了高诊断准确度.
- 为诊断宫曲率异常提供了一个新的,准确和高效的选择.
