HM_ADET:基于摄影图像的双眼瘤自动检测的混合模型
Jiewei Jiang1, Haiyang Liu1, Lang He2
1School of Electronic Engineering, Xi'an University of Posts and Telecommunications, Xi'an, 710121, China.
Biomedical engineering online
|February 28, 2024
概括
一种新的混合型号HM_ADET,使用YOLOv7_CNFG进行局部化和视觉变压器 (ViT)进行分类,准确检测眼瘤. 这种方法改善了良性和恶性眼瘤的早期诊断,提高了患者的护理.
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:
- 精确检测眼瘤至关重要,但由于小,多样化的病变和非典型的早期症状,具有挑战性.
- 区分良性和恶性眼瘤是很困难的,特别是对于经验有限的临床医生来说,由于类似的视觉特征.
研究的目的:
- 开发一种混合模型 (HM_ADET) 来自动检测和分类眼瘤.
- 为了提高诊断良性与恶性眼瘤的准确性和效率.
主要方法:
- 提出了一个混合模型,HM_ADET,整合YOLOv7_CNFG用于瘤定位和视觉转换器 (ViT) 进行分类.
- 在YOLOv7_CNFG中使用ConvNeXt模块来保存小瘤细节和FReLU用于多规模的特征提取.
- 用GIoU损失来准确地预测不规则瘤的界限框和ViT中的多头注意力来进行特征歧视.
主要成果:
- YOLOv7_CNFG组件显著提高了眼皮瘤检测的平均精度 (AP).
- YOLOv7_CNFG实现了0.893 (内部) 和0.765 (外部) 的AP,表现优于YOLOv7.
- ViT分类器表现出高性能,曲线下面积 (AUC) 为0.945 (内部) 和0.915 (外部),用于良性/恶性分类.
结论:
- HM_ADET模型为自动眼皮瘤诊断提供了一个有希望的策略.
- 这种自动化方法有可能改善患者的治疗结果并降低医疗保健费用.
