改进基于YOLO的乳腺质量检测,通过在OPTIMAM乳房学图像数据库上的转移学习预训练来改进乳房质量检测
Pei-Shan Ho1, Hui-Yu Tsai2, Ivy Liu2
1Department of Engineering and System Science, National Tsing-Hua University, No. 101, Section 2, Kuang-Fu Road, Hsinchu, 30013, Taiwan.
Computers in biology and medicine
|July 2, 2025
概括
在OPTIMAM哺乳学图像数据库 (OMI-DB) 上使用像YOLOv9这样的预训练模型进行转移学习,显著改善了哺乳学中的乳腺质量检测. 这种方法提高了准确性,并减少了小型专有数据集的培训时间.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 乳腺扫描对于早期发现乳腺癌至关重要,但患有高错误阳性/阴性率.
- 对于病变检测的深度学习模型需要广泛的标记数据,这在临床环境中往往很少.
- 在小型数据集上优化深度学习性能对于实际应用至关重要.
研究的目的:
- 评估转移学习,图像预处理和YOLOv9用于小型专有数据集上的乳腺质量检测.
- 将YOLOv9与YOLOv7的性能进行比较,以提高检测准确度.
- 在数据有限的临床场景中建立优化深度学习模型的指南.
主要方法:
- 检查了133张乳房图像与群体.
- 评估了预处理技术,如裁剪和对比度增强.
- 通过使用OPTIMAM乳房学图像数据库 (OMI-DB) 调查转移学习与专有数据培训.
- 与YOLOv9和YOLOv7性能进行比较.
主要成果:
- 在OMI-DB上使用裁剪图像进行训练,YOLOv7的性能提高了13.9%的mAP和13.2%的F1分数.
- 在OMI-DB上进行预训练,并在裁剪的专有图像上进行微调的YOLOv9实现了73.3%的mAP和76.0%的F1分数.
- 在这种配置中,YOLOv9的表现优于YOLOv7的8.1%mAP和9.2%F1得分.
结论:
- 转移学习和预处理显著提高了乳腺质量检测模型.
- 具有OMI-DB预训练的YOLOv9为小型数据集提供了更高的性能和更短的训练时间.
- 这项研究为优化数据有限的医学成像应用中的深度学习提供了有价值的框架.
