通过不同的YOLOv5模型进行微观尿液颗粒检测,使用基于进化遗传算法的超参数优化
1Department of Biomedical Engineering, PSG College of Technology, Coimbatore, 641004, India.
Computers in biology and medicine
|January 6, 2024
概括
这项研究引入了用于自动化尿液分析的先进YOLOv5深度学习模型,通过高精度和速度准确检测尿液沉积物颗粒来显著改善病诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 腎臟病學 (nephrology) 是一種醫學專業.
背景情况:
- 传统的尿液分析是手动的,劳动密集型,容易出现错误.
- 自动化显微镜需要复杂的细分和特征提取,阻碍机器学习模型的性能.
- 像CNN这样的深度学习模型通常需要大量的注释数据,从而增加计算复杂性.
研究的目的:
- 开发一种先进的,更快的深度学习模型,用于自动化尿液沉积物分析.
- 通过改善尿液分析,提高病诊断的准确性和效率.
- 解决现有的自动化显微镜和深度学习方法的局限性.
主要方法:
- 实施了YOLOv5深度学习模型的五个变体 (YOLOv5n,YOLOv5s,YOLOv5m,YOLOv5l,YOLOv5x).
- 利用了5376张微观尿液沉积物图像的数据集,涵盖六个粒子类别.
- 采用进化遗传算法 (EGA) 来优化模型训练的超参数.
主要成果:
- YOLOv5l和YOLOv5x模型表现出卓越的性能,平均平均精度 (mAP) 分别为85.8%和85.4%.
- 菌株颗粒显示了最高的检测性能 (97.6%mAP与YOLOv5x),而晶体的检测性能最低 (81.7%mAP).
- 实现了23.4ms/image (YOLOv5l) 和28.4ms/image (YOLOv5x) 的快速检测速度.
结论:
- 提出的基于YOLOv5的深度学习模型为尿液分析提供了更快,更准确的自动化解决方案.
- 这种先进的模型有效地从显微镜图像中检测出尿液颗粒,有助于识别脏疾病.
- 该研究强调了深度学习在提高诊断过程的效率和可靠性的潜力.
