深度学习算法 (YOLOv7) 用于对比增强MRI上的自动质检测:对结果的2D和2.5D评估
Pouria Yazdian Anari1, Nathan Lay2, Aryan Zahergivar1
1Radiology and Imaging Sciences, Clinical Center,, National Institutes of Health, 10 Center Drive, 1C352, Bethesda, MD, 20892, USA.
Abdominal radiology (New York)
|February 17, 2024
概括
这项研究表明,YOLOv7深度学习算法在MRI扫描上有效检测瘤. 2.5D方法在识别质量方面表现更好,有助于诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 准确的瘤诊断和治疗计划至关重要.
- 医疗图像分析的自动化解决方案,特别是MRI,越来越重要.
- 深度学习有可能提高放射学诊断的准确性.
研究的目的:
- 评估YOLOv7深度学习算法的有效性,用于在增强对比度的MRI上检测瘤.
- 为了比较2D和一个新的2.5DYOLOv7方法的性能,用于质检测.
主要方法:
- YOLOv7算法应用于从细胞癌 (RCC) 患者队列中的分泌阶段MRI.
- 瘤细分和转换为边界框用于模型训练和测试在十个基准.
- 使用包括F1得分,正预测值 (PPV),灵敏度和跨欧盟 (IoU) 交叉的指标进行绩效评估.
主要成果:
- 与2D评估相比,2.5D YOLOv7方法实现了更高的平均绩效指标.
- 平均2.5D结果包括0.72 ± 0.06的PPV,0.61 ± 0.06的灵敏度和0.66 ± 0.04的F1得分.
- 性能最好的2.5D模型的PPV为0.75,灵敏度为0.69,F1得分为0.72.
结论:
- YOLOv7在MRI上检测癌的实用性得到了证明.
- 计算机视觉和深度学习代表了瘤识别的快速发展领域.
- 开发的2.5D方法显示了提高自动瘤检测精度的前景.
更多相关视频
12:50Lesion Explorer: A Video-guided, Standardized Protocol for Accurate and Reliable MRI-derived Volumetrics in Alzheimer's Disease and Normal Elderly
Published on: April 14, 2014
40.3K
09:16Supervised Machine Learning for Semi-Quantification of Extracellular DNA in Glomerulonephritis
Published on: June 18, 2020
6.9K
