通过超分辨率超声卵巢图像上的分割任何模型自动进行高精度 Pcos 检测

快速阅读: 据《Nature.com》称，研究提出一种结合ESRGAN增强和SAM分割的QEI-SAM方法，用于多囊卵巢综合征早期识别，显著提升分类性能并降低成本。实验表明，ESRGAN生成的图像质量最优，SAM分割效果最佳，VGG 19模型达到99.31%的最高准确率。未来将优化效率、增强一致性，并在更大样本中验证其有效性。

本文介绍了一种基于数据驱动的女性多囊卵巢综合征（PCOS）早期识别方法，以实现对该疾病的适当治疗和管理。所提出的QEI-SAM通过增强和突出图像的目标区域及轮廓，显著提升了模型的分类性能。此外，QEI-SAM已经确定了用作诊断PCOS的主要指标的精确特征，从而帮助医生快速、准确地诊断疾病，并为已经接受多次检测的患者提供成本效益。

研究首先对三种图像增强技术（CLAHE、SRCNN和ESRGAN）进行了对比分析，并利用PSNR、SSIM和LPIPS评估了增强图像的质量。结果显示，由ESRGAN生成的最佳增强图像拥有最高的PSNR值38.60、SSIM值0.938和LPIPS值0.0859。

随后，采用Segment Anything Model（SAM）对增强图像中的卵巢囊肿进行分割，并与多种分割技术进行性能评估与比较。结果显示，SAM取得了最高的IoU值0.9602和Dice系数0.9501，优于其他模型。

最后，构建并评估了包括ResNet 50、ResNet 101、Alexnet、VGG 16、VGG 19和Inception v3在内的卷积神经网络模型，并使用多种性能指标。表7显示，所提出的QEI-SAM生成的增强与分割图像在VGG 19上的表现优异，与其他模型相比，达到了最高的99.31%准确率。

SAM确保了卵巢结构的精准且灵活的分割，而ESRGAN提升了超声图像的分辨率和对比度。这种协同作用具备良好的泛化能力，且无需过多再训练，提高了PCOS识别的诊断准确性。为提升临床应用性，未来的工作将聚焦于使该方法更高效、增强结构一致性，并进一步在更大、更多样化的数据集上验证其有效性。

(以上内容均由Ai生成)