基于改进YOLOv7的肝囊型包虫病超声图像小病灶检测

目的：提出一种基于YOLOv7用于检测肝囊型包虫病超声图像小病灶的方法。方法：首先用轻量级特征提取主干网络GhostNet替换原特征提取主干,降低模型总参数量;其次为改善YOLOv7网络的评价指标CIoU在作为损失函数时,检测精度较低的问题,用更优的ECIoU替换CIoU,进一步提高模型检测精度。结果：在自建的肝囊型包虫病超声图像小病灶数据集上进行训练,结果显示改进后的模型大小为59.4 G,mAP@0.5检测精度为88.1%,相比原始的模型性能得到提升,并超过其余主流检测方法。结论：本文模型能更高效地检测并分类肝囊型包虫病超声图像中的病灶位置和类别。     

基于深度学习的肝囊型包虫病超声图像中小病灶检测方法研究

肝包虫病是一种呈全球性分布的人畜共患性疾病。超声作为该病的首选诊断方法,虽能及时发现大病灶位置并进行评价,但对早期小病灶的检测能力不佳。本文基于经预处理的高质量肝囊型包虫病超声图像小病灶数据集,提出了一种基于YOLOv7的检测肝囊型包虫病5类分型超声图像中小病灶的方法,以实现肝包虫病的自动检测,提高临床诊断效率。首先,用硬件感知神经网络EfficientRep替换原特征提取主干,实现在保证精度和速度不受影响的前提下,提高对硬件设备的适配度;其次,用更优的WIoU(Wise-IoU)替换CIoU(Complete Intersection over Union),改善了YOLOv7网络的评价指标CIoU在作为损失函数时,梯度计算效果差,导致检测精度下降的问题;最后,在主干的最后第4层加入CBAM注意力,进一步提高了模型检测精度。本文在自建的肝囊型包虫病超声图像小病灶数据集上进行了训练,结果显示,改进后的模型平均精度均值为88.1%,相较原始的模型性能得到了提升,并超过了对比的其余主流检测方法。说明本模型能更高效地检测并分类肝囊型包虫病超声图像中小病灶的位置和类别,应用于临床上能节约医师资...     

Faster RCNN模型和SCP方法在肝包虫病病灶位置估计中的研究

临床医生凭借经验判断肝包虫病在肝脏区域常发病位置具有一定的主观性,因此,本研究将Faster RCNN目标检测模型应用于肝包虫病的检测,并与SCP方法结合对肝包虫病在肝脏区域的发病位置进行估计.本研究首先使用基于ResNet101网络的目标检测模型检测肝包虫病病灶,然后使用基于SCP方法建立的极坐标系统计肝包虫病在肝脏...