对象检测网络的性能比较,用于在超声波图像中识别碎片
Sofia I Hernandez-Torres1, Ryan P Hennessey1, Eric J Snider1
1U.S. Army Institute of Surgical Research, JBSA Fort Sam Houston, San Antonio, TX 78234, USA.
Bioengineering (Basel, Switzerland)
|July 29, 2023
概括
YOLOv7tiny模型为实时超声波图像分析提供了卓越的性能,准确地跟踪弹片和解剖特征. 这种人工智能解决方案增强了远程和军事医学的诊断能力.
科学领域:
- 医学成像医学成像
- 人工智能的人工智能是人工智能.
- 机器学习 机器学习
背景情况:
- 超声波成像解释需要专业知识,在偏远或军事环境中往往无法获得.
- 机器学习模型可以帮助解释,但需要实时部署和可解释性.
- 之前的研究表明,YOLOv3用于超声波幻影的追踪特征.
研究的目的:
- 为了比较5个对象检测深度学习模型的实时超声波碎片跟踪.
- 为此应用确定最佳的模型平衡精度和推理速度.
主要方法:
- 训练和评估了5个对象检测模型,在16,000多张组织幽灵的超声波图像上.
- 图像包含动脉,静脉,神经纤维和弹片的特征.
- 基于平均平均精度和推断时间的比较模型.
主要成果:
- 除了检测变压器外,所有型号都实现了超过0.85的平均平均精度.
- YOLOv7tiny展示了最高的平均精度和最快的推断时间.
- 其他模型显示出过度装配的迹象,测试数据的性能较差.
结论:
- YOLOv7tiny是实时超声波碎片追踪应用的最佳物体检测模型.
- 这种人工智能进步通过改进图像解释来支持紧急和军事医学.
- 未来的工作将集中在实现这个算法实时临床使用.
