用于甲真菌病检测的深层卷积神经网络
计算机视觉与模式识别
2022-01-06 v3
摘要
皮肤科中浅表真菌感染的诊察仍主要基于使用氢氧化钾（KOH）溶液的手动直接显微镜检查。然而，该方法耗时且诊断准确率因临床医生经验不同而有很大差异。随着神经网络在临床显微镜领域的应用增加，现在可以自动化此类手动流程，从而提高效率与准确性。本研究提出了一种深度神经网络结构，可快速解决这些问题，并能在无染色的灰度图像中自动检测真菌。收集了来自甲真菌病患者的含真菌成分的 160 张显微视野照片，以及来自正常指甲的含溶解角蛋白的 297 张显微视野照片。从这些图像中提取了含 4234 个真菌和 4981 个角蛋白的较小图块。为检测真菌与角蛋白，构建了 VGG16 和 InceptionV3 模型。VGG16 模型准确率为 95.98%，曲线下面积（AUC）值为 0.9930，而 InceptionV3 模型准确率为 95.90%，AUC 值为 0.9917。然而，临床医生的平均准确率和 AUC 值分别为 72.8% 和 0.87。该深度学习模型支持开发可在显微图像中检测真菌的自动化系统。
引用
@article{arxiv.2106.16139,
title = {Deep Convolutional Neural Networks for Onychomycosis Detection},
author = {Abdurrahim Yilmaz and Fatih Goktay and Rahmetullah Varol and Gulsum Gencoglan and Huseyin Uvet},
journal= {arXiv preprint arXiv:2106.16139},
year = {2022}
}