[基于两阶段分析的多尺度动脉斑块检测方法]
1School of Biomedical Engineering, Southern Medical University, Guangzhou 510515, China.
概括
一种新的深度学习方法,SM-YOLO,在超声波图像中准确识别多尺度的动脉斑. 这种两阶段的方法可以提高实时临床应用的检测速度和性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心血管诊断心血管诊断服务
背景情况:
- 动脉斑块是心血管疾病风险的关键指标.
- 在超声波图像中精确检测多尺度斑块仍然是一个挑战.
研究的目的:
- 在超声波图像中开发一种准确和高效的方法来识别多尺度 carotid 斑块.
- 为了提高动脉疾病评估的诊断性能.
主要方法:
- 一个两阶段的深度学习模型,SM-YOLO,是使用卷积神经网络开发的.
- 应用了图像预处理技术 (中位过,直方图平衡,马转换).
- 第一个阶段使用YOLOX_l进行候选斑块检测,采用多尺度策略.
- 第二阶段使用了面向梯度 (HOG) 和局部二进制模式 (LBP) 组图的特征,并使用了支向量机 (SVM) 分类器.
主要成果:
- SM-YOLO实现了高性能指标:89.44%的回忆,90.96%的准确性,90.19%的F1-Score和92.70%的AP.
- 该模型在所有性能指标和视觉评估中表现优于其他经过测试的检测模型.
- 与更快的R-CNN相比,SM-YOLO的检测时间明显更快,满足了实时检测要求.
结论:
- 拟议的SM-YOLO方法可以在超声波图像中准确识别动脉斑块.
- 这种深度学习方法为增强动脉疾病诊断提供了一个有前途的工具.
更多相关视频
08:13Microwave-driven Synthesis of Iron Oxide Nanoparticles for Fast Detection of Atherosclerosis
Published on: March 22, 2016
10.5K
13:45A Method to Study the Correlation Between Local Collagen Structure and Mechanical Properties of Atherosclerotic Plaque Fibrous Tissue
Published on: November 11, 2022
2.1K
