使用YOLO卷积块注意模块自动检测pinworm寄生虫卵,用于增强显微镜图像分析
Esraa Hassan1, Felwah Alqahtani2, Samar Elbedwehy1
1Faculty of Artificial Intelligence, Kafrelsheikh University, Kafrelsheikh, Egypt.
Frontiers in bioengineering and biotechnology
|October 31, 2025
概括
一个新的自动化系统,YOLO卷积区注意模块 (YCBAM),在显微镜图像中准确地检测针虫蛋. 这种深度学习方法提高了寄生虫感染的诊断,提高了效率,减少了医学寄生虫学中的错误.
科学领域:
- 医学寄生虫学 医学寄生虫学
- 计算生物学 计算生物学
- 医疗成像医学成像
背景情况:
- 寄生虫感染带来了重大的公共卫生挑战,需要快速准确的诊断.
- 传统的对寄生虫的显微镜检查是劳动密集型的,容易出现错误.
- 自动成像和深度学习为诊断效率提供了进步.
研究的目的:
- 开发和评估一个自动化框架,用于检测虫寄生虫的蛋.
- 使用人工智能提高寄生虫感染诊断的准确性和效率.
主要方法:
- 提出了一个新的框架:YOLO卷积区注意模块 (YCBAM).
- 集成的YOLO与自我注意机制和卷积区注意模块 (CBAM).
- 应用框架来自动检测和定位微观图像中的松鼠蛋.
主要成果:
- YCBAM实现了高精度 (0.9971) 和回忆 (0.9934).
- 证明了卓越的检测性能,平均平均精度 (mAP) 为0.9950.
- 该模型显示了高效的学习和融合,训练盒损失低 (1.1410).
结论:
- YCBAM框架显著改善了对松鼠蛋的自动检测.
- 为医学寄生虫学诊断提供了一个高度准确和可靠的工具.
- 具有减少诊断错误和支持临床决策的潜力.
