使用深 convolutional 神经网络与U-NET架构的宫粒状沙状斑块病变的图像细分与女性生殖器分裂症相关,使用深 convolutional 神经网络
Karl Emil Jøker1, Peter Christian Derek Leutscher1,2, Kristine Brøndbjerg Øby1
1Centre for Clinical Research, North Denmark Regional Hospital, Hjoerring, Denmark.
PLoS neglected tropical diseases
|March 5, 2026
概括
这项研究开发了一种深度学习模型,可以自动检测与女性生殖器分裂症 (FGS) 相关的粒状沙斑 (GSP) 病变. 在资源有限的环境中,U-Net模型有望改善FGS诊断.
科学领域:
- 医学成像分析分析 医学成像分析
- 寄生病是一种寄生病.
- 机器学习应用程序 机器学习应用程序
背景情况:
- 由Schistosoma haematobium引起的女性生殖器分裂症 (FGS) 在撒哈拉以南非洲普遍存在.
- FGS呈现出明显的宫病变,包括粒状沙状斑块 (GSP).
- 准确的诊断对于管理这种被忽视的热带疾病至关重要.
研究的目的:
- 开发和评估一个深度学习模型用于宫GSP病变的自动细分.
- 评估U-Net模型在从医学图像中识别FGS相关病变方面的性能.
- 探索人工智能的潜力,以改善FGS诊断在特有地区.
主要方法:
- 使用马达加斯加的583张宫图像训练了一个U-Net卷积神经网络.
- 产生了微弱的注释,并使用了5倍交叉验证.
- 该模型使用焦点损失函数和Adam优化器进行训练.
主要成果:
- 经过训练的U-Net模型获得了0.61的平均DICE分数,准确度为0.81,灵敏度为0.84,特异性为0.81.
- 模型性能受到注释质量,图像数量和图像文物的影响.
- 该研究证明了自动化GSP损伤细分的可行性.
结论:
- 深度学习模型,特别是U-Net,显示了FGS病变自动细分的巨大潜力.
- 将其集成到智能手机工具中可以促进在服务不足的地区实时检测FGS.
- 需要进一步的研究,以提高模型性能,并使移动集成用于点的护理诊断.
