通过YOLO物体检测模型进行皮肤病损伤检测的基于快照的超谱转换
Nan-Chieh Huang1,2, Arvind Mukundan3,4, Riya Karmakar3
1Diving Medical and Physiology Training Center, Zuoying Armed Forces General Hospital, No. 553, Junxiao Rd., Zuoying District, Kaohsiung City 813204, Taiwan.
Bioengineering (Basel, Switzerland)
|July 29, 2025
概括
一种新的光谱辅助视觉增强器 (SAVE) 提高了皮肤病变检测的准确性. 将SAVE与YOLOv10和YOLOv9物体探测器相结合,与传统成像相比,可以提高早期诊断.
科学领域:
- 皮肤病学 皮肤病学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 皮肤病变,如皮质纤维瘤,状形病变和状形是常见的.
- 标准的RGB成像可能会错过诊断至关重要的细微血管细节.
- 及时识别皮肤病变对于有效的临床管理至关重要.
研究的目的:
- 评估一种用于皮肤病变检测的新型光谱辅助视觉增强器 (SAVE).
- 为了比较使用SAVE和白光成像 (WLI) 的五个只看一次 (YOLO) 对象检测模型的性能.
- 确定SAVE是否可以提高基于AI的皮肤病查的准确性.
主要方法:
- 开发了一种频谱辅助视觉增强器 (SAVE) 来模拟RGB图像的窄带成像.
- 在使用WLI和SAVE模式对三种损伤类型进行了五个YOLO模型 (v11,v10,v9,v8,v5) 的评估.
- 在两种成像条件下,每个YOLO模型的性能使用精度,回忆和F1得分进行测量.
主要成果:
- YOLOv10 通过 SAVE 实现了最高的性能,在大多数损伤类型中显示出卓越的精度和回忆.
- YOLOv9表现出强的性能,特别是在使用SAVE的皮质纤维瘤中.
- YOLOv11,YOLOv8和YOLOv5的准确性较低,YOLOv11的表现较差,而YOLOv8/v5的错误阳性较高,特别是在WLI模式下.
结论:
- 将SAVE与YOLOv10和YOLOv9集成,可以显著提高皮肤病变检测准确度,而不是WLI.
- 这种组合可促进更快,实时的皮肤病学查,并有助于早期诊断.
- 基于快照的窄带成像与深度学习相结合,为皮肤病学中的更广泛的临床应用提供了潜力.
