在智能医疗保健系统中用于医疗物品分类的功能精细化的多尺度注意力网络
Waqar Riaz1,2, Asif Ullah1,2, Jiancheng Charles Ji1
1Institute of Intelligent Manufacturing Technology, Shenzhen Polytechnic University, 4089 Shahe West Road, Shenzhen 518055, China.
Sensors (Basel, Switzerland)
|September 13, 2025
概括
本研究引入了一种混合深度学习框架,用于在医疗保健库存中准确识别医疗项目. 人工智能系统在检测和分类各种医疗用品方面实现了高精度,改善了库存管理.
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:
- 智能医疗保健系统需要准确的医疗成像来进行库存管理.
- 医疗用品的有效识别和分类对于库存完整性和及时获得资源至关重要.
研究的目的:
- 提出一个混合深度学习框架,EfficientDet-BiFormer-ResNet,用于在医疗保健库存中进行强大的医疗物品检测和分类.
- 为了提高AI驱动的医疗库存解决方案的准确性和效率.
主要方法:
- 开发了一个混合深度学习框架,集成了EfficientDet (BiFPN),BiFormer (注意力) 和ResNet-18 (三重损失,OHNM).
- 训练并验证了模型在一个定制数据集上的5000多个医疗库存图像在各种条件下.
- 使用平均平均精度 (mAP) 和top-1分类精度评估性能.
主要成果:
- 实现了83.2%的平均平均精度 (mAP@0.5:0.95) 和94.7%的top-1分类精度.
- 超越了像YOLO,SSD和Mask R-CNN这样的传统模型的性能.
- 在识别视觉上相似,隐蔽和小规模医疗物品方面表现出卓越的性能.
结论:
- 效率Det-BiFormer-ResNet框架为实时医疗库存管理提供了一个有效的AI支持的视觉系统.
- 这一进步支持在医疗机构中对医疗用品进行临床相关和准确的检测.
- 拟议的系统增强了库存完整性,并确保及时获得关键医疗用品.