基于双重注意力机制和级联网络模型的手针点定位方法

科学领域:

• 针和中国传统医学
• 医学成像和计算机视觉
• 深度学习和人工智能

背景情况:

• 传统的针点局部化严重依赖临床经验,导致变化.
• 现有的深度学习方法有希望,但需要提高准确性和可重复性.
• 准确的针点识别对于有效的针治疗至关重要.

研究的目的:

• 使用深度学习开发一种强大而准确的手针点定位方法.
• 与现有技术相比,提高针点识别的精度和一致性.
• 应对复杂的视觉环境中的挑战,例如变化的照明和遮蔽.

主要方法:

• 一种新的方法,将双重注意力机制 (SE和CA) 集成到YOLOv5手部定位模型中.
• 使用K-means++进行先前的盒子大小优化,以改进手的定位.
• 使用HRNet作为关键点检测的骨干,对热图回归算法进行级联.
• 将"MF-cun"技术用于最终针点定位.

主要成果:

• 实现每秒 (FPS) 值为35,确保实时性能.
• 显示了0.0269的显著低平均偏移误差,远低于可接受的值.
• 与基线方法相比,平均偏移误差减少了40%以上.
• 在复杂的场景中经过验证的有效性,包括不平等的照明,遮和不同的皮肤色调.

结论:

• 拟议的双重注意力和级联网络模型在手针点定位准确性和可重复性方面取得了重大改进.
• 该方法为针点识别提供了可靠的实时解决方案,克服了传统基于经验的方法的局限性.
• 该技术是稳固的,可以适应临床实践中遇到的各种具有挑战性的现实条件.