丁香实验_LOGO
登录
提问
我要登录
|免费注册
点赞
收藏
wx-share
分享

人工智能技术如何帮助烧伤诊断?

1037

中国武汉大学的研究生焦冲(音译)强调了最近在使用人工智能帮助烧伤病人方面的一些研究。

自2016年AlphaGo击败世界围棋冠军李世石以来,人工智能(AI)技术在全球得到广泛应用。自动驾驶、智能机器人、机器视觉、人脸识别等类似工具都采用人工智能技术。医疗设备的不断发展,意味着人工智能技术已经开始应用于医学研究。

烧伤可能危及生命,并与高发病率和死亡率有关。可靠的诊断和准确的烧伤面积及深度评估是治疗成功的关键。传统的诊断方法,如公式法、椭圆估计法等,会造成很大的误差,不能保证病人治疗的准确性。

近年来,科学家们开发了计算机辅助设备,如数码相机和三维扫描设备,用于烧伤的正确诊断。然而,这些设备是复杂的,往往不适合临床使用。在这种情况下,我们团队的研究人员设法创建了一种新的分割方法,利用人工智能技术自动对烧伤进行分类。这种方法可以在手机上实现,更重要的是,它有助于避免烧伤诊断中的复杂操作。这项研究发表在《烧伤与创伤》杂志上,题目是基于卷积神经网络深度学习框架的掩模区域烧伤图像分割:更精确、更方便。欢迎下载并查看。

刻录图像数据集

在深度学习中使用更多的数据集将提高性能。为了解决这个问题,研究人员与武汉大学同仁医院合作,收集了大量的烧伤图像。

如图1所示,研究人员将图像上传到烧伤数据集。在专业医生的帮助下,他们使用注释工具对图像进行分类

分割框架

在这项研究中,研究人员利用深度学习框架自动分割烧伤创面。

如图2所示,该框架基于Mask R-CNN(Mask Regions with褶积神经网络),它已成为图像分割的主流框架。为了在烧伤图像中获得更好的分割效果,研究人员从两个方面对框架进行了改进。一方面,研究人员将残差金字塔网络和特征金字塔网络相结合,提高了图像特征提取的能力。第二,研究人员将多分类问题替换为在FCN(全卷积神经网络)网络中发现的两个分类问题。此外,传输学习被用来解决训练过程中缺乏烧伤图像数据集的问题。

分割结果

经过各种努力,该框架在分割方面取得了良好的效果。

研究人员用150张烧伤图片测试了这个框架。结果表明,平均DC(Dice's coefficient)值可达84.51%。结果表明,该框架对不同深度和大小的烧伤创面的识别能力是显著的。

虽然令人印象深刻,但这个框架还不能自动识别烧伤的深度。为此,研究人员今后将继续致力于烧伤深度的诊断。

提问
扫一扫
丁香实验小程序二维码
实验小助手
丁香实验公众号二维码
扫码领资料
反馈
TOP
打开小程序