使用转移学习进行头脑测量地标注释:Detectron2和YOLOv8基线在多样化的头脑测量图像数据集上
S Rashmi1, S Srinath1, Seema Deshmukh2
1Dept. of Computer Science and Engineering, Sri Jayachamarajendra College of Engineering, JSS Science and Technology University, Mysuru, India.
Computers in biology and medicine
|October 28, 2024
概括
探测器2和YOLOv8模型显示了自动化脑测量里程碑注释的前景. 在DiverseCEPH19数据集上,Detectron2实现了更高的准确性 (85.89%),用于正牙科中精确的放射分析.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 矯正牙科 矯正牙科是一種矯正牙科.
背景情况:
- 脑计标志注释对于正牙诊断和治疗规划至关重要.
- 手动注释是耗时和主观的,需要自动化解决方案.
- 转移学习提供了一种潜在的方法来提高放射分析的准确性.
研究的目的:
- 评估先进的转移学习技术,以准确的头脑计量地标注释.
- 为了比较Detectron2和YOLOv8框架在脑电图像上的性能.
- 评估数据集大小对模型性能的影响.
主要方法:
- 使用了最先进的姿势估计模型:Detectron2 (ResNet骨干) 和YOLOv8 (各种尺寸).
- 在DiverseCEPH19数据集 (1692张图像,19个地标) 和基准数据集 (400张图像) 上训练和评估模型.
- 分析了不同图像类别和数据集大小的模型性能.
主要成果:
- 探测器2表现出卓越的性能,在DiverseCEPH19数据集上达到85.89%的准确性.
- 在相同的数据集上,YOLOv8的准确度达到72.92%.
- 在较小的基准数据集上,Detectron2的表现始终优于YOLOv8.
结论:
- 检测器2显示适用于高精度脑计注释应用.
- 虽然Detectron2在准确度方面表现出色,但在考虑模型大小和推断时间时,YOLOv8基线可能会受到青.
- 进一步的研究可以根据特定的应用要求优化模型选择.
