一个优化的YOLOv4深度学习模型,用于在薄血涂抹图像中高效检测疟疾细胞
Dhevisha Sukumarran1, Khairunnisa Hasikin2,3, Anis Salwa Mohd Khairuddin4,5
1Department of Biomedical Engineering, Faculty of Engineering, Universiti Malaya, Kuala Lumpur, Malaysia.
Parasites & vectors
|April 16, 2024
概括
这项研究引入了一种轻量级的YOLOv4深度学习模型,用于更快,更准确的疟疾诊断. 优化的模型显著改善了感染红细胞的检测,同时降低了计算复杂性.
科学领域:
- 生物信息学是一种生物信息学.
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 疟疾诊断对全球健康至关重要,但手动方法缓慢.
- 需要自动化工具来加快疟疾的检测和治疗.
- 这项研究的重点是改善疟疾诊断的深度学习模型.
研究的目的:
- 开发一种更轻便,更准确的YOLOv4模型用于疟疾诊断.
- 为了提高识别感染红细胞的速度和精度.
- 为了减少医学诊断中的深度学习模型的计算复杂性.
主要方法:
- 使用直接层修剪和骨干更换修改了YOLOv4模型.
- 用较浅的ResNet50网络替换了CSP-DarkNet53的骨干,用于特征提取.
- 分析并将修改模型的性能指标与原始YOLOv4.4进行比较.
主要成果:
- 经过修改的YOLOv4-RC3_4模型实现了90.70%的平均精度精度 (mAP),与原始模型相比提高了9%以上.
- 实现了大约22%的计算减少和23 MB的模型大小.
- 经过削减冗余层后,检测感染细胞的增加9.27%.
结论:
- YOLOv4模型,用削减的残留块,可以有效地检测受感染的红细胞.
- 这种优化可以减少模型大小和计算成本,而不会牺牲准确性.
- 开发的方法为疟疾诊断和生物信息解决方案带来潜在的革命.
