在内镜图像中改善喉病变的实时检测,使用脱超分辨率增强的YOLO
Chiara Baldini1, Lucia Migliorelli2, Daniele Berardini3
1Department of Advanced Robotics, Istituto Italiano di Tecnologia, Genova, Italy; Department of Informatics, Bioengineering, Robotics and Systems Engineering, University of Genoa, Genova, Italy.
Computer methods and programs in biomedicine
|December 17, 2024
概括
一个新的深度学习模型,SRE-YOLO,有效地从内镜图像实时检测喉癌病变. 这种人工智能工具提高了临床医生的诊断准确性和效率,提高了早期检测率.
科学领域:
- 医学成像分析分析 医学成像分析
- 人工智能在瘤学中的应用
- 深度学习用于癌症检测.
背景情况:
- 喉癌 (LC) 是头癌的重要组成部分,早期检测对生存至关重要.
- 诊断早期喉病变是具有挑战性的,因为外观不同,需要精确的表征.
- 传统的内镜检查依赖于主观的专家解释,限制了可访问性和一致性.
研究的目的:
- 引入SRE-YOLO,这是一种深度学习 (DL) 方法,用于自动实时检测喉病变.
- 帮助经验较少的人员使用多模式内镜数据 (白光和窄带成像) 进行喉评估.
- 开发一种高效的DL方法,以公平地获得先进的诊断技术.
主要方法:
- SRE-YOLO模型将YOLOv8纳米基线与超分辨率分支集成,用于增强病变检测.
- 超分辨率组件在推理过程中被解,以保持低计算需求.
- 该模型在多中心数据集上进行了评估,其中包括各种喉病理和成像模式.
主要成果:
- 与YOLOv8n基线相比,SRE-YOLO提高了5%的平均精度 (AP@IoU=0.5).
- 该模型实现了每秒58.8 (FPS) 的高推断速度,确保了实时适用性.
- 对比分析证实了SRE-YOLO在检测准确性,计算效率和实时性能方面的平衡.
结论:
- SRE-YOLO显示出开发高效的DL驱动的决策支持系统的巨大潜力.
- 该模型可从白光和窄带成像内镜数据中实时检测各种尺度的喉病变.
- 这项技术可以提高喉癌的诊断和管理,特别是在资源有限的环境中.
