Resumen

El estudio tenía como objetivo eliminar el ruido en imágenes ecográficas tridimensionales transvaginales (3D-TVS) y mejorar la precisión diagnóstica en adherencias intrauterinas (IUA). Se introdujo primero el algoritmo de máquina de aprendizaje extremo (ELM) para el estudio. Ciento treinta casos de pacientes con sospecha de IUA fueron tomados como sujetos de investigación. Los efectos de eliminación de ruido del algoritmo ELM fueron evaluados en términos de errores cuadráticos medios (MSE), relación pico señal-ruido (PSNR) y tiempo de ejecución, y su eficiencia diagnóstica de IUA fue identificada a partir de precisión, especificidad y sensibilidad. Además, se introdujo el algoritmo de máquina de vectores de soporte (SVM) para la comparación. Se encontró que el MSE y PSNR del algoritmo ELM fueron de 0.0021 y 64.5, respectivamente, y su tiempo de operación promedio fue de 11.22 ± 0.89 s, que los valores de MSE del

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Estudio; Ecografía transvaginal tridimensional; Imágenes 3D-TVS; Precisión diagnóstica; Adherencia intrauterina; IUA.
• Keywords:Study; Three-dimensional transvaginal ultrasound; 3D-TVS images; Diagnostic accuracy; Intrauterine adhesion; IUA.