在医疗边缘设备上可访问的AI诊断和轻量级脑瘤检测
Akmalbek Abdusalomov1, Sanjar Mirzakhalilov2, Sabina Umirzakova1
1Department of Computer Engineering, Gachon University Sujeong-Gu, Seongnam-si 13120, Republic of Korea.
Bioengineering (Basel, Switzerland)
|January 24, 2025
概括
这项研究介绍了一种高效的RetinaNet模型,用于边缘设备上的脑瘤检测. 轻量级设计提高了准确性,并使实时分析成为可能,在资源有限的环境中提高了可访问性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 精确的脑瘤检测对于治疗至关重要,特别是在资源有限的地区.
- 现有的方法经常与小或可变大小的瘤和高计算需求作斗争.
- 在边缘设备上部署需要轻量级和高效的AI模型.
研究的目的:
- 开发一种轻量级和高效的RetinaNet变体,用于在医疗边缘设备上检测脑瘤.
- 为了保持高的检测准确度,同时减少实时分析的计算开销.
- 通过便携式人工智能工具,改善服务不足地区的诊断可访问性.
主要方法:
- 在RetinaNet中用MobileNet.Net取代了ResNet的骨干.
- 利用深度可分离的卷积来减少计算复杂性.
- 评估了用于脑瘤检测的BRATS数据集上的模型.
主要成果:
- 实现了整体平均精度 (AP) 的32.1.1.
- 在小瘤检测 (AP_S:14.3) 和大瘤局部化 (AP_L:49.7) 中表现出卓越的性能.
- 显著降低计算成本,使低功耗硬件的实时分析能够实现,可靠度超过81%.
结论:
- 拟议的轻量级RetinaNet变体为边缘设备上的脑瘤检测提供了一个有效的解决方案.
- 该模型的性能,特别是在检测小瘤方面,解决了关键的诊断挑战.
- 这一进步可以提高早期瘤检测,并改善偏远或服务不足地区的患者的治疗结果.
