儿童超声图像中的阑尾炎检测

儿童阑尾炎是急性腹痛最常见的原因之一，其诊断仍然给临床医生带来挑战，由于症状重叠且影像质量不一。本研究旨在开发和评估基于预训练 ResNet 架构的深度学习模型，用于自动检测超声图像中的阑尾炎。我们使用Regensburg 儿童阑尾炎数据集（Regensburg Pediatric Appendicitis Dataset），该数据集包含来自德国慕尼黑儿童医院因腹痛 admitted的儿童患者的超声扫描、实验室数据和临床评分。每个受试者都有1至15个超声视图，覆盖右下腹、阑尾、淋巴结及相关结构。对于基于图像的分类任务，ResNet 被微调以区分阑尾炎和非阑尾炎病例。对图像进行归一化、调整大小和增强处理以提高泛化能力。所提出的 ResNet 模型实现了93.44%的总体准确率、91.53%的精确率和89.8%的召回率，显示出在异构超声视图中识别阑尾炎的强大性能。该模型有效学习到了判别性空间特征，克服了低对比度、散粒噪声和儿童影像中解剖变异性带来的挑战。