使用卷积神经网络预测自发性早产
图像与视频处理
2020-08-25 v2 计算机视觉与模式识别
机器学习
摘要
据估计，每年有 1500 万婴儿过早出生。每年约有 100 万儿童死于早产（PTB）的并发症。许多幸存者面临终身残疾，包括学习障碍以及视觉和听觉问题。尽管超声图像（US）的人工分析仍然普遍，但由于其主观成分以及不同患者器官形状和位置的复杂变异，它容易出错。在这项工作中，我们引入了一个概念上简单的卷积神经网络（CNN），经训练用于分割产前超声图像以及进行分类任务，以检测早产。我们的方法高效地分割经阴道超声图像中不同类型的宫颈，同时基于提取的图像特征在无人工监督的情况下预测早产。我们采用了三种流行的网络模型：U-Net、全卷积网络（Fully Convolutional Network）和 Deeplabv3 用于宫颈分割任务。基于所得结果和模型效率，我们决定通过添加一个并行分支用于分类任务来扩展 U-Net。所提出的模型在一个由 354 张 2D 经阴道超声图像组成的数据集上训练和评估，取得了平均 Jaccard 系数指数为 0.923 0.081 的分割精度，以及灵敏度为 0.677 0.042、假阳性率为 3.49% 的分类性能。基于经阴道超声图像，我们的方法在早产预测上取得了优于现有最优方法的结果。
引用
@article{arxiv.2008.07000,
title = {Spontaneous preterm birth prediction using convolutional neural networks},
author = {Tomasz Włodarczyk and Szymon Płotka and Przemysław Rokita and Nicole Sochacki-Wójcicka and Jakub Wójcicki and Michał Lipa and Tomasz Trzciński},
journal= {arXiv preprint arXiv:2008.07000},
year = {2020}
}
备注
Accepted at MICCAI Workshop on Perinatal, Preterm and Paediatric Image analysis (PIPPI) 2020, Lima, Peru