S'abonner

Influence of Image Factors on the Performance of Ophthalmic Ultrasound Deep Learning Model - 08/07/24

Doi : 10.1016/j.irbm.2024.100848 
Zemeng Li a, Xiaochun Wang a, c, Shuyang Wang b, You Zhou a, Xinqi Yu a, Jianjun Ji a, Jun Yang a, Song Lin b, Sheng Zhou a, c
a Institute of Biomedical Engineering, Chinese Academy of Medical Sciences, Peking Union Medical College, Tianjin, China 
b Eye Institute, School of Optometry, Tianjin Medical University Eye Hospital, Tianjin, China 
c State Key Laboratory of Advanced Medical Materials and Devices, Tianjin Institutes of Health Science, Chinese Academy of Medical Science, Peking Union Medical College, Tianjin, China 

Sous presse. Manuscrit accepté. Disponible en ligne depuis le Monday 08 July 2024
Cet article a été publié dans un numéro de la revue, cliquez ici pour y accéder

Abstract

Objective

This study aims to evaluate the impact of image factors on the performance of deep learning models used for ophthalmic ultrasound image diagnosis.

Methods

A total of 3,373 ophthalmic ultrasound images are used to deeply evaluate the influence of image factors on the performance of deep learning classification models. Inceptionv3, Xception, and the fusion model Inceptionv3-Xception are used to explore how brightness, contrast, gain, noise, size, format, pseudo-color seven image-related factors affect the classification performance of the model.

Results

Inceptionv3-Xception has advantages in the recognition accuracy of various image factors. When the image brightness changes, the model's performance shows a downward trend (0.5 vs. 1 vs. 1.8, ACC 95.73 vs. 97.06 vs. 93.54, P < 0.05). When the image contrast changes, the model's performance is comparable (0.5 vs. 1 vs. 1.2, ACC 96.23 vs. 96.95 vs. 97.45, P > 0.05). When the image gain drops to 50 dB, the model's accuracy decreases significantly (50 dB vs. 105 dB, ACC 96.49 vs. 97.57, P < 0.05). When Gaussian noise is added to the image, the model's performance gradually decreases (0.02 vs. 0, ACC 89.48vs97.06, P < 0.05). When the image size drops to 25% of the original image, the model's performance decreases significantly (25% vs. 100%, ACC 93.18 vs. 97.06, P < 0.01). When the image format changes, the model's recognition accuracy is similar (JPG vs. BMP vs. PNG, ACC 96.98 vs. 97.06 vs. 97.06, P > 0.05). The accuracy of the model in recognizing pseudo-color images decreases significantly compared to grayscale images (grayscale vs. pseudo-color, ACC 35.96 vs. 97.06).

Conclusion

These results indicate that image quality greatly influences the model training process, and acquiring high-quality images is an important prerequisite for high recognition performance of the model. This study offers valuable insights for the improvement of other robust deep learning models for ophthalmic ultrasound image recognition.

Le texte complet de cet article est disponible en PDF.

Graphical abstract

Le texte complet de cet article est disponible en PDF.

Highlights

High-quality images are a prerequisite for high model recognition performance.
Reference ranges of parameters in ophthalmic images for intelligent diagnosis.
The robustness of model performance varies among different image factors.
The network structure of the fusion model is more stable than the single model.

Le texte complet de cet article est disponible en PDF.

Keywords : Posterior ocular segment diseases, Ultrasound images, Transfer learning, Feature fusion, Image processing


Plan


© 2024  AGBM. Publié par Elsevier Masson SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

Déjà abonné à cette revue ?

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.