AC-Faster R-CNN:一个改进的检测架构,具有高精度和高灵敏度,用于脊柱X射线图像中的异常
Bolin Zhong1, Jizheng Yi1,2, Ze Jin3,4
1College of Computer and Information Engineering, Central South University of Forestry and Technology, Changsha 410004, People's Republic of China.
Physics in medicine and biology
|September 7, 2023
概括
这项研究介绍了基于异常捕获-更快区域的卷积神经网络 (AC-Faster R-CNN),这是一种用于在X射线中检测脊柱疾病的深度学习模型. 该模型准确地定位和识别异常,帮助临床诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 脊柱放射图解需要大量的专业知识和经验.
- 可以训练深度学习模型识别疾病,协助临床医生.
- 精确地定位和分类脊柱异常是具有挑战性的.
研究的目的:
- 开发一个物体检测网络,用于在X射线图像中准确地定位和分类脊柱异常.
- 创建基于深度学习的自动化多种疾病检测架构.
主要方法:
- 拟议的异常捕获-更快的基于区域的卷积神经网络 (AC-Faster R-CNN).
- 利用可变形卷积特征金字塔网络进行多尺度特征融合.
- 嵌入式异常捕获头用于增强检测.
- 适用对比度有限的适应性直方体等级用于图像预处理.
主要成果:
- 在1007张脊柱X射线图像上,AC-Faster R-CNN的性能超过了基线和高级检测模型.
- 在 IoU 50% 时达到 39.8% 的平均平均精度 (mAP).
- 在最佳切割点达到48.6%的精度和46.3%的灵敏度.
结论:
- AC-Faster R-CNN在检测脊柱异常方面表现出高精度和灵敏度.
- 该模型有效地定位和识别脊髓X射线中异常区域.
- 为未来在自动化医疗图像分析方面的进步提供了基础.
