为眼科超声波图像检测优化网络架构,基于多版本YOLO的模块化废弃
Zemeng Li1, Xiaochun Wang1, Xinqi Yu1
1State Key Laboratory of Advanced Medical Materials and Devices, Institute of Biomedical Engineering, Tianjin Institutes of Health Science, Chinese Academy of Medical Science & Peking Union Medical College, Tianjin, China.
Biomedical engineering online
|October 15, 2025
概括
本研究引入了一个模块化框架来选择眼科超声波网络架构,使系统的评估和优化. 该框架促进了准确的,自动化的眼部生物识别,提高了诊断效率.
科学领域:
- 眼科成像 眼科成像
- 医疗人工智能 医疗人工智能
- 计算机视觉 计算机视觉 计算机视觉
背景情况:
- 眼科超声波图像检测缺乏系统的网络架构评估方法.
- 优化眼科诊断的深度学习模型对于临床应用至关重要.
研究的目的:
- 为眼科超声波系统的网络架构选择提出一个模块化除分析框架.
- 为设计眼科诊断网络建立一个定量决策基础.
主要方法:
- 使用了1121张眼睛超声波图像的数据集.
- YOLOv10-v12模型是模块化的 (脊柱,子,头部).
- 正角实验设计 (L9阵列) 和帕雷托前线分析被用于评估和选择.
主要成果:
- 部模块显著影响了检测准确度;头部模块影响了计算效率.
- 最优的架构 (Bv11-Nv11-Hv10) 在26FPS时实现了64.0%的mAP.
- 自动化生物识别测量显示与手动测量高度一致 (ICC ≥0.839).
结论:
- 模块化框架为眼科超声波网络设计提供了一个系统的方法.
- 跨版本模块组合是可行的和有效的.
- 使用优化网络的自动眼部生物识别显示了临床一致性和潜力.


