使用物体检测和语义细分,在皮肤镜图像中改善了皮肤损伤细分
1Department of Computational Systems Biology, Faculty of Biology-Oriented Science and Technology, Kindai University, Kinokawa, Wakayama, Japan.
Clinical, cosmetic and investigational dermatology
|May 21, 2025
概括
一个新的SAM增强的YOLO框架通过将YOLO本地化与SAM细分相结合,改善AI驱动的皮肤病变细分. 这种方法提供了一个可扩展,资源高效的解决方案,优于传统技术和独立的SAM,以获得更好的诊断准确性.
科学领域:
- 皮肤病学 皮肤病学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 精确的基于AI的皮肤病变分类依赖于皮肤镜像的精确细分.
- 传统的细分方法需要广泛的像素级注释,这是昂贵的,容易受到头发和皮肤标记等文物的影响.
研究的目的:
- 引入一种新的混合框架,SAM增强的YOLO,用于有效和准确的皮肤镜损伤的像素级细分.
- 评估SAM增强的YOLO与传统方法和独立SAM的性能.
主要方法:
- 集成了分段任何模型 (SAM) 与你只看一次 (YOLO) 算法,以创建SAM增强的YOLO框架.
- 将混合框架与GrabCut,Otsu的值和仅SAM的细分进行比较,在图像中心初始化仅SAM.
主要成果:
- 与单独使用SAM相比,SAM增强的YOLO实现了交叉与联盟 (IoU) 的28%改善 (0.738) 和F1得分的22%改善 (0.833) 与单独使用SAM相比 (IoU:0.578,F1得分:0.683).
- 该框架在各种损伤形状和对比度上表现出一致的性能,显示出优越的稳定性和比其他方法更低的可变性.
结论:
- 用SAM增强的YOLO显著减少了手动像素级注释的需求,为皮肤镜损伤细分提供了可扩展和资源高效的解决方案.
- 这一框架有可能增强诊断工作流程,特别是在临床环境和资源有限的领域.
更多相关视频
09:37Combining Reflectance Confocal Microscopy with Optical Coherence Tomography for Noninvasive Diagnosis of Skin Cancers via Image Acquisition
Published on: August 18, 2022
2.2K
13:01Industrialized, Artificial Intelligence-guided Laser Microdissection for Microscaled Proteomic Analysis of the Tumor Microenvironment
Published on: June 3, 2022
3.6K
