一个改进的微动脉瘤检测模型基于SwinIR和YOLOv8
Bowei Zhang1, Jing Li2, Yun Bai1
1College of Information Science, Shanghai Ocean University, Shanghai 201306, China.
Bioengineering (Basel, Switzerland)
|December 23, 2023
概括
一个新的MA-YOLO模型准确地检测糖尿病视网膜病变 (DR) 光素血管学 (FFA) 图像中的微动脉瘤 (MA). 这种自动化方法提高了DR进展的诊断准确性.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 糖尿病视网膜病变 (DR) 是一种糖尿病并发症,其特点是微血管变化.
- 微动脉瘤 (MAs) 是DR的早期指标,需要在视网膜图像中精确检测.
- 准确的MA检测对于及时的DR诊断和管理至关重要.
研究的目的:
- 开发一个自动化模型,MA-YOLO,用于检测光素血管学 (FFA) 图像中的微动脉瘤 (MA).
- 通过整合超分辨率和专用检测层来提高MA检测准确度.
- 通过现有的最先进的方法来验证MA-YOLO模型的性能.
主要方法:
- 使用SwinIR进行FFA图像的超高分辨率重建,以增强MA特征细节.
- 将一个新的MA检测层集成到YOLOv8架构中,以解决小特征检测和信息丢失问题.
- 员工转移学习,并通过Wise-IoU优化损失函数,以提高模型的概括性和稳定性.
主要成果:
- 与SSD,RetinaNet,YOLOv5,YOLOX和YOLOv7.7相比,MA-YOLO模型在MA检测方面取得了更高的性能.
- 实现了最佳性能指标:88.23%的回忆,97.98%的精度,92.85%的F1得分和94.62%的AP.
- 通过损失函数优化来处理几何因素和样本不平衡的证明有效性.
结论:
- 拟议的MA-YOLO模型在FFA图像中自动检测微动脉瘤方面非常有效.
- 这种人工智能驱动的工具可以帮助眼科医生诊断和监测糖尿病视网膜病变的进展.
- 这项研究强调了将先进的人工智能技术集成为改善眼科诊断的潜力.
