Acceso usuarios
Con el rápido desarrollo del fitness nacional y los deportes profesionales, el problema de los traumatismos deportivos se ha vuelto cada vez más prominente, lo que ha causado un grave impacto en el entrenamiento y la competición de los atletas. Es urgente mejorar el nivel de diagnóstico y tratamiento. La técnica de análisis de identificación y diagnóstico de células y tejidos de atletas en imágenes médicas con la ayuda de algoritmos de aprendizaje profundo se ha convertido gradualmente en una dirección de investigación popular en el campo del diagnóstico de imágenes médicas. La red neuronal convolucional (CNN), como un algoritmo de aprendizaje profundo eficiente, se usa ampliamente en el campo del diagnóstico de imágenes médicas. Sin embargo, dado que los modelos CNN necesitan inicializar los parámetros antes del entrenamiento, pueden surgir varios problemas cuando los parámetros iniciales no se seleccionan correctamente. En primer lugar, para los pesos iniciales del modelo CNN, el método tradicional es utilizar la inicialización aleatoria, lo que genera problemas como la velocidad de entrenamiento lenta y la baja precisión diagnóstica del modelo. En segundo lugar, para la selección del hiperparámetro del modelo, el método tradicional es utilizar el ajuste manual o la búsqueda en cuadrícula, que no solo consume mucho tiempo y recursos computacionales, sino que también suele fallar en la selección del hiperparámetro más adecuado, lo que conduce a los problemas de menor precisión diagnóstica del modelo. Para resolver los problemas anteriores, este documento propone en primer lugar una nueva arquitectura de segmentación de imágenes médicas autosupervisada. Al diseñar una tarea de agente para el preentrenamiento, el modelo es más capaz de extraer y procesar la información visual de las imágenes médicas, y luego afinarse en la tarea de segmentación, como una forma de resolver la dificultad de la falta de datos etiquetados a gran escala para imágenes médicas. La eficacia del algoritmo propuesto para deportistas en la tarea de segmentación de imágenes médicas se verifica a través de una gran cantidad de experimentos realizados en dos conjuntos de datos principales. Y la comparación con otros modelos principales muestra que el modelo funciona bien en la mayoría de los escenarios.
With the rapid development of national fitness and professional sports, the problem of sports trauma has become more and more prominent, which has caused serious impact on the training and competition of athletes. It is urgent to improve the level of diagnosis and treatment. The analysis technique of identifying and diagnosing cells and tissues for athletes in medical images with the help of deep learning algorithms has gradually become a popular research direction in the field of medical image diagnosis. Convolutional neural network (CNN), as an efficient deep learning algorithm, is widely used in the field of medical image diagnosis. However, since CNN models need to initialise the parameters before training, various problems may arise when the initial parameters are not properly selected. Firstly, for the initial weights of the CNN model, the traditional method is to use random initialisation, which leads to problems such as slow training speed and low diagnostic accuracy of the model. Secondly, for the selection of the hyperparameter of the model, the traditional method is to use manual adjustment or grid search, which not only consumes a lot of time and computational resources, but also usually fails to select the most suitable hyperparameter, which leadsto the problems of lower diagnostic accuracy of the model. In order to solve the above problems,this paper firstly proposes a new self-supervised medical image segmentation architecture. By designing an agent task for pre-training, the model is better able to extract and process the visual information of medical images, and then fine-tuned on the segmentation task, as a way to solve the difficulty of the lack of large-scale labelled data for medical images. The effectiveness of the proposed algorithm for athletes in the medical image segmentation task is verified through a large number of experiments conducted on two mainstream datasets. And the comparison with other mainstream models shows that the model performs well in most scenarios.
