尿沉积物检测算法基于道增强和可变形卷积
Shihao Zhang1, Xu Bao2, Yun Wang3
1School of Computer Science and Communication Engineering, Jiangsu University, Zhenjiang, 212013, Jiangsu Province, China.
Journal of imaging informatics in medicine
|November 11, 2024
概括
这项研究介绍了YOLOv7-CSD,这是一种用于检测尿液沉积物的先进算法. 它准确地识别出各种尿液成分,改善脏和尿路健康诊断.
科学领域:
- 医学诊断 医学诊断 医学诊断
- 计算机视觉 计算机视觉 计算机视觉
- 机器学习是机器学习.
背景情况:
- 尿沉积物分析对于评估脏和尿路健康至关重要.
- 鉴定各种尿沉积物目标是具有挑战性的,因为形状的变化.
- 现有的方法难以准确地分类和识别尿液沉积物成分.
研究的目的:
- 开发一种专门的算法,用于准确检测尿液沉积物.
- 为了应对形状变化和尿液沉积物图像中的特征别名所带来的挑战.
- 通过增强的物体检测,提高尿液分析的诊断能力.
主要方法:
- 开发了YOLOv7-CSD算法,这是一个针对尿液沉积物分析的物体检测模型.
- 集成通道增强特征金字塔网络 (CE-FPN) 和选择性内核 (SK) 以减轻特征别名.
- 增强了高效层聚合网络 (ELAN) 以一个额外的道来获取更丰富的特征.
- 包含可变形卷积v3 (DCNv3) 操作器,使可变形状的动态感应场调整成为可能.
主要成果:
- 在USE数据集上,YOLOv7-CSD实现了92.8%的准确性.
- 该算法在专门的尿液晶数据集上显示了89.6%的准确性.
- 集成的CE-FPN,SK,增强的ELAN和DCNv3有效地解决了模型混和形状变化.
结论:
- YOLOv7-CSD为尿液沉积物检测提供了一个强大的解决方案,其性能优于现有的方法.
- 该算法的改进显著提高了识别各种尿液沉积物成分的准确性.
- 这一进步为更精确,更可靠的临床尿液分析和疾病诊断带来了希望.


