-
烧烫伤创面深度智能检测模型P-YOLO的建立及测试效果
编辑人员丨4天前
目的:基于深度学习技术和计算机语言设计烧烫伤创面深度智能检测模型并予以测试,验证该模型对烧烫伤创面图像检测的有效性及准确性。方法:收集2022年1月至2024年2月在上海交通大学医学院附属瑞金医院烧伤整形科接受治疗且符合入选标准的烧烫伤患者伤后48 h内创面照片共492张,重置照片顺序并编号。由两名执业3年以上的副主任医师采用图像标注工具LabelMe对照片中的目标创面进行标记并判定其严重程度,严重程度分为Ⅰ度、Ⅱ度和Ⅲ度。采用图像处理技术扩充数据集至2 952张,按照7∶2∶1比例划分为训练集、验证集及测试集。在Python 3.10.0版本下,提出并构建基于深度学习的烧烫伤创面深度智能检测模型P-YOLO,通过多批次训练调整并优化网络参数。经过测试得到该模型在数据集上的各项指标参数,如查准率、召回率以及在不同交并比(IoU)下的平均精度均值等,根据实验结果绘制出相应的F1指数曲线和混淆矩阵。结果:(1)经测试,所设计的P-YOLO智能检测模型对Ⅰ度、Ⅱ度和Ⅲ度烧烫伤创面识别的查准率分别为0.962、0.931及0.886,召回率分别为0.849、0.828及0.857,F1指数分别为0.902、0.876及0.871。(2)混淆矩阵显示,P-YOLO模型检测Ⅰ度、Ⅱ度和Ⅲ度烧烫伤创面的准确度分别为0.86、0.87及0.91。(3)当IoU阈值为0.5时,P-YOLO模型检测Ⅰ度、Ⅱ度和Ⅲ度烧烫伤创面的平均精度均值为0.893、0.885及0.838。在所有类别创面中,P-YOLO模型检测的平均精度均值为0.872。(4)与Faster R-CNN、YOLOv5及YOLOv7检测模型相比,P-YOLO模型具有最高的平均精度均值,检测效果最优。结论:基于深度学习的智能检测模型P-YOLO整体检测准确率和可靠性较高,能够提高烧伤科医师对烧烫伤创面深度的诊断准确度和效率。
...不再出现此类内容
编辑人员丨4天前
-
融合多尺度注意力的脊柱侧弯Cobb角自动估计算法
编辑人员丨1个月前
目的 青少年特发性脊柱侧弯(adolescent idiopathic scoliosis,AIS)是危害青少年健康的常见疾病之一.临床上,X线图像Cobb角测量法是评估患者脊柱侧凸严重程度的"金标准".由于X线图像中肋骨和骨盆阴影重叠以及椎骨形态差异等因素影响,人工测量在寻找关键点时步骤复杂且耗时长,快速且准确的Cobb角自动测量方法具有重要临床应用价值.现有深度学习方法中基于分割的方法易受图像质量影响;基于关键点检测方法过于关注局部特征提取导致定位不准确等问题.为此,本文提出了一种以椎骨为中心的标志点检测方法,来实现脊柱侧弯Cobb角自动估计算法.方法 构建一种基于融合多尺度和注意力机制M型椎骨检测网络(multi-scale attention M-shaped network,MSAM-Net).首先,使用多尺度金字塔拆分注意力(multi-scale pyramids squeeze attention,MPSA)模块和注意力特征融合(attentional feature fusion,AFF)模块提取椎骨特征和上下文信息,然后,根据椎体中心和角偏移量定位4个角标志点,以在脊柱侧弯评估任务中提高椎骨标志点检测的性能,进而实现近胸段、主胸段和胸腰段曲线的Cobb角估计.结果 为了评估Cobb角估计与真实侧弯角度之间的偏差程度,本研究算法基于AASCE MICCAI 2019挑战赛数据集,使用4种指标对Cobb角精度进行评估,分别是对称平均绝对百分比误差(symmetric mean absolute percentage error,SMAPE)、欧氏距离(Euclidean distance,ED)、曼哈顿距离(Manhattan distance,MD)和切比雪夫距离(Chebyshev distance,CD).测试得到SMAPE为9.39%,ED为4.18;MD为5.92;CD为5.34.与基于分割和检测的5种深度学习方法进行对比,实现更好的Cobb角测量结果.结论 本研究可以准确识别和定位X线图像中椎骨,帮助医生测量AIS患者的Cobb角,为临床AIS诊断、手术计划和脊柱健康分析提供决策支持.
...不再出现此类内容
编辑人员丨1个月前
