利用深度学习从超声数据增强子宫内膜异位症分析
图像与视频处理
2023-02-21 v1
摘要
子宫内膜异位症是一种影响全球1.76亿女性的非恶性疾病。诊断延迟会导致严重痛经、性交痛、慢性盆腔痛和不孕。因此，极需在早期阶段诊断患者。本工作的目标是研究深度学习方法从超声数据分类子宫内膜异位症的潜力。回顾性数据来自100名受试者，收集于罗格斯罗伯特·伍德·约翰逊大学医院（美国新泽西州新不伦瑞克）。子宫内膜异位症经腹腔镜或剖腹手术诊断。我们设计并训练了五种不同深度学习方法（Xception、Inception-V4、ResNet50、DenseNet和EfficientNetB2）用于从超声数据分类子宫内膜异位症。通过5折交叉验证研究，我们在两项评估研究中分别取得了0.85和0.90的平均受试者工作特征曲线下面积（AUC）。
引用
@article{arxiv.2302.09621,
title = {Augmenting endometriosis analysis from ultrasound data with deep learning},
author = {Adrian Balica and Jennifer Dai and Kayla Piiwaa and Xiao Qi and Ashlee N. Green and Nancy Phillips and Susan Egan and Ilker Hacihaliloglu},
journal= {arXiv preprint arXiv:2302.09621},
year = {2023}
}
备注
Accepted to 2023 SPIE Medical Imaging Conference