深度学习用于在肺超声波成像中准确检测和定位B线
Nixson Okila1, Andrew Katumba2, Joyce Nakatumba-Nabende1
1Department of Computer Science, Makerere University, Kampala, Uganda.
Frontiers in artificial intelligence
|May 7, 2025
概括
深度学习模型YOLOv5-PBB和YOLOv8-PBB在肺超声波 (LUS) 图像中准确地检测B线. 这些模型为资源有限的环境中B线本地化提供了高效的解决方案.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 肺部病理学 肺部病理学
背景情况:
- 肺部超声波 (LUS) 对于诊断肺部疾病至关重要,B线人造物表明心力衰竭或肺炎等问题.
- 精确的B线检测至关重要,但LUS解释在资源有限的地区面临着观察者变化和挑战.
研究的目的:
- 开发和评估深度学习模型,用于在LUS图像中自动和精确地检测和定位B线.
- 解决LUS口译方面的局限性,特别是在受过培训的专业人士的机会有限的环境中.
主要方法:
- 引入了YOLOv5-PBB和YOLOv8-PBB,为B线的多边形界框 (PBB) 定位修改了深度学习模型.
- 增强型号具有修改的检测头,损失函数,NMS,数据加载器和集成的图像预处理.
- 在来自公共存储库和乌干达卫生机构的各种数据集上训练模型.
主要成果:
- YOLOv8-PBB实现了卓越的性能,精度为0.947,回忆率为0.926,mAP为0.957.
- YOLOv5-PBB表现出具有竞争力的结果 (精度为0.931,回忆为0.918,mAP为0.936) 具有较小的模型大小 (14 MB) 和更快的推断速度 (33.1 ms).
结论:
- YOLOv5-PBB和YOLOv8-PBB为LUS.提供高性能B线本地化.
- 这些模型适合在资源有限的环境中移动部署,提高诊断可访问性和效率.
