使用基于人工智能的深度学习模型检测阴囊卵在尿液膀组织病理学图像上

科学领域:

• 医疗图像分析 医学图像分析
• 在病理学中的人工智能.

背景情况:

• 顺病的诊断依赖于手动组织病理学,这可能是耗时和主观的.
• 需要自动检测方法来提高 Schistosoma 蛋的识别效率和准确性.

研究的目的:

• 评估各种基于YOLO的细分模型的性能,用于检测尿膀组织病理图像中的Schistosoma卵.
• 使用这些模型来比较界限框和面具细分任务的准确性.

主要方法:

• 使用了681张基因病理学图像的数据集,其中有2,751个注释的分裂体.
• 多个YOLO变种 (YOLOv5,YOLOv8,YOLOv9,YOLOv11) 进行了训练和评估,以检测边界框和口罩.
• 性能指标包括精度,回忆,F1得分和平均精度 (mAP).

主要成果:

• 对于边界框 (F1: 95.09%,mAP50: 96.8%) 和口罩检测 (F1: 94.19%,mAP50: 96.2%),YOLOv8l实现了最高的精度.
• YOLOv5m和YOLOv5x提供了准确性和计算效率之间的良好平衡.
• 较小的YOLO模型显示灵敏度和精度降低.

结论:

• 基于YOLO的细分模型显示了在组织病理学中自动检测杆菌病的巨大潜力.
• 建议使用更大的数据集进行进一步验证,以确认这些发现和临床适用性.