自动化图像清晰度检测用于改善多个设备的结肠镜成像
Lillian Ekem1, Erica Skerrett1, Megan J Huchko2,3
1Department of Biomedical Engineering, Duke University, Durham, NC 27708, USA.
Biomedical signal processing and control
|December 13, 2024
概括
一个新的YOLOv5物体检测算法准确地识别了子宫和图像模糊,改善了子宫癌查. 该工具提高了人工智能开发的图像质量,帮助全球健康公平.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 公共卫生 公共卫生
背景情况:
- 子宫癌不成比例地影响低收入和中等收入国家,超过60%的死亡发生在这些地区.
- 目前的查依赖于用酸可视化宫,但图像质量可能是诊断和AI开发的挑战.
- 机器学习 (ML) 工具有可能提高视觉诊断和提高查效率.
研究的目的:
- 引入一个物体检测算法 (YOLOv5),用于定位子宫和检测图像模糊.
- 在多个成像设备上评估算法的性能,并将其与专家注释进行比较.
主要方法:
- 利用里埃域对训练和测试图像进行伪标签.
- 训练了一种YOLOv5模型,使用来自口袋科尔波斯科普,移动ODT EVA和标准数字科尔波斯科普的图像.
- 使用平均平均精度 (mAP),灵敏度和特异性评估模型性能.
主要成果:
- YOLOv5模型实现了高性能指标:所有设备的0.9 mAP,0.89灵敏度和0.89特异性.
- 该算法证明了可通用性,在手机ODT EVA和口袋科尔波斯科普的保留组上,mAP分数分别为0.81和0.83.
- 与医生注释相比,模型的准确性为0.72.
结论:
- 开发的方法提供了对镜图像的定量,可概括的分析,与专家评估有很强的一致性.
- 这种质量控制框架可以标准化镜工作流程,数据采集和图像分析,增加深度学习算法开发的可用图像.
