对动脉瘤检测方法的审查,重点关注选择的基于YOLO的模型
Patrik Kamencay1, Roberta Hlavata1, Martin Paralic1
1Department of Multimedia and Information-Communication Technology, University of Zilina, 010 26 Zilina, Slovakia.
Journal of clinical medicine
|December 30, 2025
概括
深度学习模型,特别是YOLO变体,在血管图中显示出自动化动脉瘤检测的前景. 这些计算机辅助诊断系统可以提高识别危及生命的血管疾病的准确性和稳定性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 血管外科 血管外科
背景情况:
- 动脉瘤是一种危险的血管疾病,需要迅速和精确地检测,以避免死亡.
- 早期发现动脉瘤对于有效治疗和改善患者的治疗结果至关重要.
研究的目的:
- 审查和分析深度学习方法,特别是YOLO (你只看一次) 模型,用于自动化动脉瘤检测.
- 评估不同的YOLO变体在医疗图像中识别动脉瘤方面的性能和适用性.
主要方法:
- 对现有的基于YOLO的动脉瘤检测研究进行了全面的审查.
- 使用1342张血管图的注释数据集进行实践测试,对1074张图像进行模型训练,对107张图像进行验证,对268张图像进行评估.
- 基于建筑特征,性能指标和临床相关性的YOLO变体的比较.
主要成果:
- 分析各种基于YOLO的研究的优点,局限性,数据集使用和性能指标.
- 在注释性血管图数据集上展示了选定的YOLO变体的比较性能.
- 确定影响动脉瘤自动检测准确性和稳健性的关键因素.
结论:
- 深度学习模型,特别是YOLO变体,具有显著的潜力,可以提高动脉瘤检测的准确性和可靠性.
- 这些检测模型的整合可以导致针对血管疾病的更强大的计算机辅助诊断系统.
- 需要进一步的验证和开发来建立这些系统以广泛的临床使用.
