基于自适应特征提取的宫损伤细胞/块的检测
Gang Li1, Xingguang Li1, Yuting Wang2,3,4,5
1School of Artificial Intelligence, Chongqing University of Technology, Chongqing 401135, China.
Bioengineering (Basel, Switzerland)
|July 27, 2024
概括
本研究介绍了AFE-Net,这是一个适应性特征提取网络,用于在细胞学图像中改进宫病变的自动检测. 这种新的方法提高了检测准确性,并减少了计算机辅助诊断的模型复杂性.
科学领域:
- 医疗成像医学成像
- 计算机辅助诊断 计算机辅助诊断
- 计算病理学计算病理学
背景情况:
- 在细胞学图像中自动检测宫病变细胞/块对于计算机辅助诊断至关重要.
- 病变细胞/块形状和大小的变化挑战了现有的检测方法,降低了性能.
研究的目的:
- 开发一个改进的宫病变自动检测系统.
- 在细胞学图像中提高宫病变细胞/块检测的准确性和效率.
主要方法:
- 提出了一个自适应特征提取网络 (AFE-Net),包括一个自适应模块和一个全球偏差机制.
- 引入了一个新的界限框损失函数,趋势-IoU (TIoU).
- 在CDetector数据集上对网络进行评估.
主要成果:
- 在CDetector数据集上,AFE-Net实现了64.8%的平均平均精度 (mAP).
- 与YOLOv7.7相比,该模型显示mAP的2.2%改善.
- 与YOLOv7 (34.8万) 相比,AFE-Net将参数数量减少了11.8% (30.7万).
结论:
- 通过结合适应性和整体特征,AFE-Net有效提高了宫病变细胞/块的检测性能.
- 拟议的TIoU损失函数有助于增强边界框预测.
- AFE-Net为计算机辅助子宫癌查提供了更有效,更准确的解决方案.
