不同YOLOv7网络的性能比较,用于使用Adam优化器和标签光滑在支气管洗液中的高精度细胞分类

科学领域:

• 医疗成像医学成像
• 计算病理学计算病理学
• 肺部病理学 肺部病理学

背景情况:

• 在支气管洗液 (BAL) 中精确的细胞分类对于诊断肺部疾病至关重要.
• 目前的BAL流体分析在很大程度上依赖于个人专业知识,导致变化.
• 需要自动化方法来提高BALF分析的准确性和效率.

研究的目的:

• 评估你只看一次 (YOLO) 算法的有效性,特别是YOLOv7代,用于在BAL液体中进行自动细胞分类.
• 为了比较不同YOLOv7变异在检测关键诊断细胞类型的性能:巨细胞,淋巴细胞,中性粒细胞和乙素粒细胞.
• 确定差异细胞学最佳YOLOv7模型,平衡准确性,效率和计算需求.

主要方法:

• 使用了BAL液体的细胞素制剂,并进行了梅-格鲁诺瓦尔德-吉姆萨染色.
• 分析了2032张图像的数据集,其中有42221条注释.
• 评估了YOLOv7,YOLOv7与亚当和标签光滑,YOLOv7-E6E和YOLOv7-E6E与亚当和标签光滑.
• 使用回忆,精度,F1得分,mAP@.5,和mAP@.5;.95,以及混矩阵来评估性能.

主要成果:

• 默认的YOLOv7模型实现了高性能指标:平均F1得分为0.922,精度为0.916,回忆率为0.928,mAP@.5为0.966.
• 所有四种关键细胞类型 (巨细胞,淋巴细胞,中性粒细胞,乙氨基粒细胞) 都被始终以高准确度分类.
• 在评估的YOLOv7变体之间没有观察到统计学上显著的性能差异.
• 与没有统计学意义的更复杂变体相比,YOLOv7显示出略有优异的类值分散.

结论:

• 默认的YOLOv7算法为BAL流体分析中的差异细胞学提供了强大的和可访问的解决方案.
• 其较低的计算需求和一致的结果使其优于更复杂的YOLOv7-E6E变体.
• YOLOv7提高了BALF细胞分类的准确性和效率,减少了对专家解释的依赖.