基于深度学习的声带疾病诊断识别方法比较研究

在医学图像诊断领域,计算机辅助诊断技术已提升了图像诊断的准确性,但针对声带疾病的喉镜图像深度学习模型仍相对稀缺,这在一定程度上限制了声带疾病识别领域的发展。文章采用经典的VGG-Net算法和一种引入注意力机制的算法来对喉镜图像进行分类。通过比较这两种算法在准确率、召回率/灵敏率和特异率方面的表现,评估它们在医学图像分类性能上的优劣。实验结果表明,引入注意力机制的SA、SE-Net、CBAM和ECA-Net算法在性能上明显优于VGG-Net算法。结合深度学习和注意力机制可显著提升声带疾病喉镜图像诊断的准确性和效率,这对未来医疗行业的健康发展有着极其重要的意义。

改进U-Net在喉白斑病灶分割中的应用

喉白斑属于癌前组织病变,准确检测该病灶对癌变预防和病变治疗至关重要,但喉镜图像中病灶边界模糊且表面反光导致其不易分割。为此,提出一种基于U-Net的多尺度循环卷积神经网络(MRU-Net)进行喉白斑病灶分割。通过对比度受限的自适应直方图均衡化技术增强喉镜图像,利用平均池化构建图像金字塔并将其作为U型网络多尺度输入,同时使用多尺度卷积和递归卷积层代替编码与解码单元卷积层改进网络结构,采用多尺度输出层生成不同尺度特征图并对各层求均值得到最终输出结果。实验结果表明,MRU-Net的F1值、Jaccard相似度和平均交并比分别为0.7843、0.6611和0.8269,与U-Net、M-Net等传统网络相比,该网络对喉白斑病灶分割更准确,能够得到精度更高的病灶轮廓。