基于改进YOLOv5s的眼科超声影像病灶区域检测方法研究

R318; 目的:针对眼科超声影像检测及诊断中模型复杂度高、部署难度大以及准确度通常无法满足临床需求的问题,提出一种基于改进YOLOv5s的眼科超声影像病灶区域检测方法.方法:首先,建立包含星状玻璃体变性、视网膜脱离、玻璃体积血、玻璃体后脱离、后巩膜葡萄肿5种眼科疾病图像的眼科超声图像数据集.其次,以YOLOv5s为基础,引入轻量级网络MobileNet对原主干特征提取网络CSPDarkNet进行替换,构建YOLOv5s-MobileNetV2模型.再次,通过平均精度均值(mean average precision,mAP)、参数量、每秒检测帧数等评估模型对眼科超声影像中病灶区域的检测性能....

Full description

Saved in:
Bibliographic Details
Published in医疗卫生装备 Vol. 45; no. 11; pp. 1 - 7
Main Authors 周游, 李泽萌, 于欣琪, 王晓春, 周盛
Format Journal Article
LanguageChinese
Published 中国医学科学院北京协和医学院生物医学工程研究所,天津 300192 2024
Subjects
ophthalmic disease
超声图像
deep learning
YOLOv5s
深度学习
眼科疾病
ultrasound image
lesion area detection
眼科超声
病灶区域检测
ophthalmic ultrasound
Online AccessGet full text
ISSN1003-8868
DOI10.19745/j.1003-8868.2024206

Cover

More Information
Summary:R318; 目的:针对眼科超声影像检测及诊断中模型复杂度高、部署难度大以及准确度通常无法满足临床需求的问题,提出一种基于改进YOLOv5s的眼科超声影像病灶区域检测方法.方法:首先,建立包含星状玻璃体变性、视网膜脱离、玻璃体积血、玻璃体后脱离、后巩膜葡萄肿5种眼科疾病图像的眼科超声图像数据集.其次,以YOLOv5s为基础,引入轻量级网络MobileNet对原主干特征提取网络CSPDarkNet进行替换,构建YOLOv5s-MobileNetV2模型.再次,通过平均精度均值(mean average precision,mAP)、参数量、每秒检测帧数等评估模型对眼科超声影像中病灶区域的检测性能.最后,基于PyQt5设计眼科超声影像智能检测软件.结果:YOLOv5s-MobileNetV2模型在测试集上的mAP、参数量、每秒检测帧数分别为97.73％、4.61×106、47帧/s.与YOLOv5s相比,YOLOv5s-MobileNetV2模型的mAP提升了 0.22％,参数量减少了 34.98％,具有更佳的实时性能.设计的眼科超声影像智能检测软件具有良好的人机交互能力,提升了 YOLOv5s-MobileNetV2模型的临床适用性.结论:基于改进YOLOv5s的眼科超声影像病灶区域检测方法在实现轻量化的同时具有较好的检测性能,能够准确检测眼科病灶区域,满足眼科疾病临床诊断需求.
ISSN:1003-8868
DOI:10.19745/j.1003-8868.2024206