在显微镜图像中检测寄生虫卵的轻量级深度学习模型

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 寄生虫学的寄生虫学

背景情况:

• 肠道寄生虫感染在发展中国家仍然是一个重要的公共卫生问题.
• 准确的诊断依赖于检测样本中的寄生虫卵.
• 目前的自动检测方法是计算密集型的,限制了可访问性.

研究的目的:

• 开发一种轻量级的深度学习模型,以高效准确地检测寄生虫卵.
• 为了减少自动化寄生虫卵识别所需的计算资源.
• 降低寄生虫感染自动诊断系统的成本.

主要方法:

• 设计了一个新的轻量级深度学习模型,YAC-Net.
• YAC-Net基于YOLOv5n架构,对部 (FPN到AFPN) 和骨干 (C3到C2f模块) 进行了修改.
• 实验使用了ICIP 2022挑战数据集,并进行了五倍交叉验证.

主要成果:

• 与YOLOv5n相比,YAC-Net表现得更好,精度提高了1.1%,回忆能力提高了2.8%.
• 该模型实现了0.0195高的F1分数和0.0271高的mAP_0.5,同时降低了20%的参数.
• 在测试组中,YAC-Net实现了97.8%的精度,97.7%的回忆,0.9773的F1得分和0.9913的mAP_0.5与1,924,302个参数.

结论:

• YAC-Net有效地优化模型结构和简化参数,而不会影响检测性能.
• 该模型减少了自动检测系统的设备要求.
• YAC-Net有助于在显微镜图像中自动检测寄生虫卵.