JHEgydF4y2Ba 医疗保健工程gydF4y2Ba 2040 - 2309gydF4y2Ba 2040 - 2295gydF4y2Ba HindawigydF4y2Ba 10.1155 / 2021/2267635gydF4y2Ba 2267635gydF4y2Ba 研究文章gydF4y2Ba 智能解决方案基于YOLOv5和ResNet50胸部异常检测gydF4y2Ba https://orcid.org/0000 - 0001 - 8374 - 0335gydF4y2Ba 罗gydF4y2Ba 余gydF4y2Ba 1gydF4y2Ba https://orcid.org/0000 - 0002 - 4956 - 3926gydF4y2Ba 张gydF4y2Ba 一帆gydF4y2Ba 2gydF4y2Ba 唱ydF4y2Ba XizegydF4y2Ba 3gydF4y2Ba 戴gydF4y2Ba 恒威gydF4y2Ba 4gydF4y2Ba https://orcid.org/0000 - 0003 - 2186 - 4118gydF4y2Ba 陈gydF4y2Ba 晓惠gydF4y2Ba 1gydF4y2Ba AlazzamgydF4y2Ba 马利克gydF4y2Ba 1gydF4y2Ba 中国三峡大学gydF4y2Ba 计算机与信息技术学院gydF4y2Ba 宜昌gydF4y2Ba 中国gydF4y2Ba ctgu.edu.cngydF4y2Ba 2gydF4y2Ba 学校的软件gydF4y2Ba 南昌大学gydF4y2Ba 南昌gydF4y2Ba 中国gydF4y2Ba ncu.edu.cngydF4y2Ba 3gydF4y2Ba 呈贡校区gydF4y2Ba 云南大学gydF4y2Ba 昆明gydF4y2Ba 中国gydF4y2Ba ynu.edu.cngydF4y2Ba 4gydF4y2Ba 西南大学gydF4y2Ba 计算机与信息科学学院gydF4y2Ba 重庆gydF4y2Ba 中国gydF4y2Ba southwest.edugydF4y2Ba 2021年gydF4y2Ba 13gydF4y2Ba 10gydF4y2Ba 2021年gydF4y2Ba 2021年gydF4y2Ba 31日gydF4y2Ba 7gydF4y2Ba 2021年gydF4y2Ba 31日gydF4y2Ba 8gydF4y2Ba 2021年gydF4y2Ba 18gydF4y2Ba 9gydF4y2Ba 2021年gydF4y2Ba 13gydF4y2Ba 10gydF4y2Ba 2021年gydF4y2Ba 2021年gydF4y2Ba 版权©2021余罗等。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

计算机辅助诊断(CAD)有近五十年的历史,已经帮助许多临床医生诊断。随着技术的发展,最近,研究使用深度学习方法来获得高精度的结果在CAD系统。与CAD计算机输出可以作为第二选择对放射科医生和医生做最后的正确决策。胸部异常检测是一个典型的检测和分类问题;研究者需要分类常见的胸肺疾病和本地化关键的发现。检测问题,深刻的学习方法有两种:单程法和两阶段法。在我们的论文中,我们介绍和分析一些代表性的模型,如RCNN, SSD, YOLO系列的意思。为了更好地解决胸部异常检测的问题,我们提出了一种新的基于YOLOv5和ResNet50模型。YOLOv5是最新YOLO系列,意思是比单程检测算法更灵活。YOLOv5的功能在我们的纸是本地化异常区域。 On the other hand, we use ResNet, avoiding gradient explosion problems in deep learning for classification. And we filter the result we got from YOLOv5 and ResNet. If ResNet recognizes that the image is not abnormal, the YOLOv5 detection result is discarded. The dataset is collected via VinBigData’s web-based platform, VinLab. We train our model on the dataset using Pytorch frame and use the mAP, precision, and FgydF4y2Ba1-score作为指标来评估我们的模型的性能。在实验的进展,我们的方法实现性能优越其他古典方法在相同的数据集。实验表明,YOLOv5的地图是0.010,0.020,0.023高于YOLOv5,快速RCNN, EfficientDet。此外,在精确的尺寸,我们的模型表现也优于其它模型。我们的模型的精度是0.512,0.018,0.027,0.033高于YOLOv5,快速RCNN, EfficientDet。gydF4y2Ba

 1。介绍gydF4y2Ba

由于技术的发展,与传统诊断方法,放射科医生可能使用成像技术诊断和治疗的医疗条件如CT和PET扫描,核磁共振,x射线,当然,当病人去医院(gydF4y2Ba 1gydF4y2Ba]。然而,也有一些医疗误诊放射科医生,甚至最好的临床医生诊断,试图解释x射线报告与肉眼(gydF4y2Ba 2gydF4y2Ba]。gydF4y2Ba

为此,由于成像技术的迅速发展和计算机的计算能力,诞生了一个新的研究维度,称为计算机辅助诊断(CAD)系统(gydF4y2Ba 3gydF4y2Ba]。开发的系统已经广泛在放射学是医学成像和诊断放射学的主要研究方向。它有能力解决薮猫问题[gydF4y2Ba 4gydF4y2Ba]。首先,系统为医生提供了一个机会集中在高风险的情况下立即(gydF4y2Ba 5gydF4y2Ba]。其次,它为放射科医生提供更多的信息在短时间内作出正确的诊断。由于CAD,它更高效和有效的医生诊断阶段。gydF4y2Ba

CAD系统可以分为两个重要的方面:“检测”和“诊断”[gydF4y2Ba 6gydF4y2Ba]。在“检测”阶段,该算法定位和部分正常组织的损伤区域,这对放射科医生大大减少观测的负担。CAD进行验证的结果,作为第二意见,放射科医生可能把他们与他或她的经验做出最后的决定gydF4y2Ba 7gydF4y2Ba]。与此同时,“诊断”被定义为技术来识别潜在的疾病,这可能是第二个参考放射科医生(gydF4y2Ba 8gydF4y2Ba]。主要是,“检测”和“诊断”是相互关联的,它们是基于机器学习算法(gydF4y2Ba 9gydF4y2Ba,gydF4y2Ba 10gydF4y2Ba]。gydF4y2Ba

机器学习方法在CAD系统分析成像数据和开发模型匹配的输入数据和输出疾病之间的关系从病人的人口使用成像数据gydF4y2Ba 11gydF4y2Ba]。gydF4y2Ba

机器学习技术的方法来分析病人数据获得决策支持,适用于任何病人护理过程,如疾病或损伤检测、表征,癌症分期、治疗计划、治疗反应评估、监控、复发和预后预测(gydF4y2Ba 12gydF4y2Ba]。通常情况下,成像数据起着重要的作用在每一个阶段,所以图像分析是CAD的主要组成部分gydF4y2Ba 13gydF4y2Ba]。此外,由于深度学习的成功gydF4y2Ba 14gydF4y2Ba,gydF4y2Ba 15gydF4y2Ba]在许多应用程序中,如目标识别和跟踪、研究人员感到兴奋和很高的期望,深度学习可以带来革命性的改变医疗(gydF4y2Ba 16gydF4y2Ba]。通过深入学习方法,工程可以减少手动功能的过程。例如,在[gydF4y2Ba 17gydF4y2Ba),作者提出了一个U-Net淋巴结识别模型和深度学习模型优于传统算法意味着转变和模糊c均值(FCM)算法。在[gydF4y2Ba 18gydF4y2Ba),小姐提出了一个基于U-Net方法识别脊柱转移的肺癌。在[gydF4y2Ba 19gydF4y2Ba),作者研究了墙的价值F-FDG PET / Cr成像和深度学习成像精确放射治疗的甲状腺癌。gydF4y2Ba

也同样,在本文中,我们开发一个应用程序的疾病检测的应用深度学习在CT图像上。我们的任务是本地化和14个类型进行分类的胸异常胸片。我们的贡献是给自动胸部检测解决方案。特别是,我们将检测方法分为两个步骤包括检测步骤和一个分类的步骤。分类步骤是用于过滤结果的第一步。gydF4y2Ba

我们描述了近年来临床诊断与计算机和计算机的历史版本gydF4y2Ba 2gydF4y2Ba。节gydF4y2Ba 3gydF4y2Ba提出了一种新的模型,利用该算法YOLOv5检测和ResNet50分类。实验过程部分所示gydF4y2Ba 4gydF4y2Ba。最后部分是整篇文章的结论。gydF4y2Ba

 2。相关工作gydF4y2Ba

在本部分中,我们首先介绍胸部x线摄影的定义,然后大致解释CAD的发展。最后,我们描述了一些算法的目标检测用于我们对胸部异常检测的任务。gydF4y2Ba

2.1。胸部x线摄影gydF4y2Ba

胸部x线摄影是最常用的诊断成像过程gydF4y2Ba 16gydF4y2Ba]。每年超过3500万胸片执行,和平均放射科医师读取超过每天100胸片仅在美国(gydF4y2Ba 20.gydF4y2Ba]。因为胸部x光摄影是一种凝结的二维投影组成的三维解剖信息(gydF4y2Ba 21gydF4y2Ba),阅读和提取关键信息需要大量的医疗经验和知识。尽管这些测试是临床上有用的,他们太昂贵gydF4y2Ba 22gydF4y2Ba]。一些放射科医生缺乏专业或相关工作经验;当工作负载增加或者病人情况特殊,他们会无意中做一些错误,这些错误会造成医生误诊(gydF4y2Ba 23gydF4y2Ba]。为此,迫切需要一种技术来帮助放射科医生做决定。深度学习技术自动检测和诊断条件,大大帮助放射科医生,提高他们的效率和准确性。在一些医疗中心,它可以支持大规模的工作流和提高放射学部门的效率。gydF4y2Ba

 2.2。计算机辅助诊断系统的发展gydF4y2Ba

CAD系统已经发展了许多年的传统的机器学习方法,现在,深度学习。当务之急是一个不可阻挡的趋势在临床过程中使用CAD系统。文献[gydF4y2Ba 24gydF4y2Ba]使用GoogleNet和图像增强和pretraining ImageNet胸部x光图像分类精度100,证明使用深度学习的概念在胸部x光图像。作者在gydF4y2Ba 25gydF4y2Ba)创建了一个网络基于给定查询图像和其他排名评价胸片图像数据库中基于相似查询。在这个模型中,临床医师可以有效地搜索过去的病例诊断现有病例。在[gydF4y2Ba 26gydF4y2Ba),美国有线电视新闻网发现特定疾病在胸片图像和分布式疾病标签。研究[gydF4y2Ba 27gydF4y2BaRNN)用来描述注释疾病的背景下基于CNN特性和病人的元数据。最近,在gydF4y2Ba 28gydF4y2Ba],CNN是为了诊断特定疾病的检测和分类在CXR肺结节图像精度高。gydF4y2Ba

 2.3。目标检测的概述gydF4y2Ba

最近,越来越多的应用程序对目标检测(gydF4y2Ba 29日gydF4y2Ba]。有两种主流的算法:gydF4y2Ba

两阶段方法:例如,表示是RCNN算法(gydF4y2Ba 30.gydF4y2Ba),它使用选择性搜索首先然后补充说CNN网络生成一系列稀疏候选框最后分类和退化这些候选框。两阶段模型的最大的优点是精度高。gydF4y2Ba

单程方法:表示YOLO和SSD,意思是意识到一个端到端的模型直接得到最终的检测结果(gydF4y2Ba 31日gydF4y2Ba,gydF4y2Ba 32gydF4y2Ba]。他们在不同位置进行密集采样的图片。可以使用不同的销售和纵横比当抽样。CNN是用来提取特征。单程方法的最大优点是高速。然而,薮猫有缺点。比两阶段方法精度相对较低。甚至和密集抽样是困难的训练,主要是因为正样本和负样本(背景)非常不平衡gydF4y2Ba 32gydF4y2Ba]。gydF4y2Ba

2.3.1。两阶段方法gydF4y2Ba

(1)RCNNgydF4y2Ba。RCNN是最早的模型将CNN方法引入目标探测。之后,越来越多的模型使用CNN进行目标检测,大大提高了效果(gydF4y2Ba 33gydF4y2Ba,gydF4y2Ba 34gydF4y2Ba]。传统的检测算法,使用滑动窗口方法来确定所有可能的地区,是一个复杂和低效的工作。RCNN提高效率通过选择性搜索preextract一系列候选区域大多是可能的对象。然后RCNN可以只关注从这些候选区域中提取特征的判断。RCNN的过程是主要由4个步骤组成gydF4y2Ba 35gydF4y2Ba]:gydF4y2Ba

候选人地区一代:使用选择性搜索方法来生成1 K∼2 K的候选区域从图像第二步gydF4y2Ba

特征提取:对于每个候选人地区提供的第一步,是深卷积网络用于提取特征gydF4y2Ba

类别的判断:使用SVM分类器,输入第二步到分类器中提供的功能gydF4y2Ba

位置优化:使用精细的回归正确的候选帧的位置gydF4y2Ba

然而,RCNN有两个缺点gydF4y2Ba 36gydF4y2Ba]。第一个是候选框不共享一个神经网络和有许多参数。和支持向量机分类器太复杂。gydF4y2Ba

(2)快速RCNNgydF4y2Ba。快RCNN RCNN相比已经在以下方面改进(gydF4y2Ba 37gydF4y2Ba]:gydF4y2Ba

快RCNN仍然使用选择性搜索选择2000个候选框(gydF4y2Ba 38gydF4y2Ba]。原始图像输入到卷积网络获得特征映射,然后候选框用于提取功能框的功能映射。这里,自卷积计算为每个位置,只有一次的计算量大大降低。但很快RCNN设置不同大小候选帧的第一步。这些需要被转换成相同的大小通过ROI池层。gydF4y2Ba

没有支持向量机分类器和回归量在快速RCNN [gydF4y2Ba 39gydF4y2Ba]。所有结果的分类和预测的位置和大小框通过卷积神经网络输出。为了提高计算速度,最后使用圣言会代替完全连接网络层。gydF4y2Ba

(3)RCNN更快gydF4y2Ba。快RCNN忽视了一个问题:检测网络可以分享计算与该地区的建议方法。因此,快RCNN建议网络提出了一种区域从改善地区的速度的角度建议通过GPU实现快速地区建议(gydF4y2Ba 40gydF4y2Ba]。gydF4y2Ba

使用网络而不是使用的选择性搜索项快速RCNN提取候选区域相当于快RCNN =的RPN +快速RCNN,以及RPN和快速RCNN分享卷积层(gydF4y2Ba 41gydF4y2Ba]。gydF4y2Ba

快RCNN具有以下特征(gydF4y2Ba 42gydF4y2Ba]:gydF4y2Ba

多尺度目标:使用RPN网络候选区域和使用锚不同大小和纵横比的解决多尺度问题gydF4y2Ba

计算的交点的借据锚和真正的框架和建立积极的和消极的样本通过阈值gydF4y2Ba

样本不平衡:在每批随机样本256名主播边境回归训练,确保正负样本的数量是相同的,尽可能避免问题的梯度规则太多造成的负样本gydF4y2Ba

2.3.2。单程的方法gydF4y2Ba

(1)YOLOv1gydF4y2Ba。它是单程目标探测的开创性工作gydF4y2Ba 43gydF4y2Ba]。gydF4y2Ba

速度快:与两步的目标检测方法相比,YOLOv1使用端到端方法,更快gydF4y2Ba

使用全局特征的推理。由于使用全局上下文信息,与滑动窗口和意见箱方法相比,背景是更准确的判断gydF4y2Ba

泛化:训练模型仍然有好的结果在新领域或意想不到的输入情况gydF4y2Ba

(2)固态硬盘gydF4y2Ba。SSD的核心设计理念是总结成以下三个点gydF4y2Ba 44gydF4y2Ba]:gydF4y2Ba

使用多尺度特征图进行检测。SSD利用大规模的特征图谱检测小目标,反之亦然。gydF4y2Ba

利用卷积的检测。SSD直接使用卷积来提取不同特征图谱检测结果。gydF4y2Ba

设置一个先天的盒子。SSD利用更快的锚RCNN和设置一个先天的框与不同尺度或纵横比为每个单元。预测的边框都是基于这些盒子之前,这样可以减少培训在一定程度上的困难。一般来说,每个单元将多个先天的盒子,和他们的尺度和比例方面是不同的。gydF4y2Ba

SSD使用VGG16作为基本模型,然后添加一个新的卷积层VGG16的基础上获得更多的特征图谱检测(gydF4y2Ba 45gydF4y2Ba]。gydF4y2Ba

有五个主要优势的SSD (gydF4y2Ba 46gydF4y2Ba]:gydF4y2Ba

实时:它比YOlOv1更快,因为完全连接层gydF4y2Ba

标签方案:通过预测类别信心和前一帧的偏差的相对固定的尺度,不同尺度的影响损失可以有效地平衡gydF4y2Ba

多尺度:多尺度目标预测是由使用多个特征图和锚定帧对应不同的尺度gydF4y2Ba

数据增强:增强执行的数据随机裁剪来提高模型的鲁棒性gydF4y2Ba

样本不平衡:通过困难样本采矿、最高的先验盒负样本用于训练,信心和积极的和消极的比例样本设置为1:3,这使得该模型训练收敛速度更快gydF4y2Ba

(3)YOLOv2gydF4y2Ba。虽然YOLOv1的检测速度快,但它是不准确的RCNN检测方法。YOLOv1对象定位不够准确,具有低召回率(gydF4y2Ba 47gydF4y2Ba]。YOLOv2提出了改进策略,提高定位精度和召回率YOLO模型,意思从而提高地图(gydF4y2Ba 48gydF4y2Ba,gydF4y2Ba 49gydF4y2Ba]。gydF4y2Ba

批规范化:它大大提高了性能gydF4y2Ba

高分辨率分类器:它使pretraining分类任务分辨率与目标探测分辨率一致gydF4y2Ba

卷积与锚箱:使用一个完全卷积神经网络预测偏差,而不是特定的坐标,模型更容易收敛gydF4y2Ba

维度集群:设置锚架的规模通过聚类算法获得一个更好的先天的框架和减轻不同尺度对损失的影响gydF4y2Ba

细粒度功能:集成底层图像特征通过简单的加法gydF4y2Ba

多尺度培训:通过使用一个完整的卷积网络,多个尺度的模型支持输入图像和火车gydF4y2Ba

构造Darknet-19而不是VGG16骨干与更好的性能gydF4y2Ba

(4)YOLOv3gydF4y2Ba。YOLOv3 YOLOv2有所改善。它有几个优点gydF4y2Ba 50gydF4y2Ba]:gydF4y2Ba

实时:与RetinaNet相比,YOLOv3牺牲检测准确性和使用Darknet特征提取主干网络代替ResNet101获得更快的检测速度gydF4y2Ba

多尺度:与YOLOv1-v2相比,相同的红外系统网络RetinaNet用作增强特征提取网络来获得更高的检测精度gydF4y2Ba

目标重叠:通过使用逻辑回归和分类预测损失函数两叉,每个候选帧与多个标签分类解决的可能性,一个检测帧可能包含多个目标同时gydF4y2Ba

(5)YOLOv4gydF4y2Ba。鉴于YOLOv3的缺点,YOLOv5 Darknet53等进行了一系列的改进特征提取主干网络(gydF4y2Ba 51gydF4y2Ba,gydF4y2Ba 52gydF4y2Ba]:gydF4y2Ba

实时:借鉴CSPNet网络结构,提高Darknet53 CSPDarknet53使模型参数,计算时间短gydF4y2Ba

多尺度:颈部分别介绍了锅和小型网络结构作为一个增强的特征提取网络,它可以有效的多尺度特性和精度高于红外系统的引入网络gydF4y2Ba

数据增强:马赛克的引入数据增强可以有效降低batch_size当使用BN的影响gydF4y2Ba

模型训练:借据,GIoU DIoU,意识作为回归的目标框架,具有检测精度高于平方差异损失由YOLOv3使用gydF4y2Ba

3所示。方法gydF4y2Ba

在本节中,我们介绍我们关于胸部异常检测方法。我们使用两步方法。第一步是使用一些传统的目标检测方法如YOLOv5执行目标探测。第二步是使用图像分类器来执行两个分类(是否有异常),如果是认识到,图像不是异常,YOLOv5的检测结果就会被丢弃。gydF4y2Ba

3.1。YOLOv5检测gydF4y2Ba

整个结构YOLOv5 [gydF4y2Ba 53gydF4y2Ba)如图gydF4y2Ba 1gydF4y2Ba。gydF4y2Ba

YOLOv5架构。gydF4y2Ba

YOLO家族的意思模型包含三个主要的建筑块:骨干,颈部和头部。gydF4y2Ba

YOLOv5支柱:它采用CSPDarknet为骨干组成的特征提取的图像cross-stage局部网络gydF4y2Ba

YOLOv5脖子:它使用PANet生成特性金字塔网络上执行聚合特性并将其传递给预测gydF4y2Ba

YOLOv5头:层,生成预测锚箱的对象检测gydF4y2Ba

除此之外,YOLOv5使用以下选择培训(gydF4y2Ba 54gydF4y2Ba]:gydF4y2Ba

激活和优化:YOLOv5使用漏ReLU乙状结肠激活和SGD亚当作为优化器选择gydF4y2Ba

损失函数:它使用二叉叉分对数的损失gydF4y2Ba

YOLOv5有多个品种的pretrained模型如上面我们可以看到。他们之间的差异之间的权衡模型的大小和推理时间。轻量级模型版本YOLOv5s只是14 MB但不是很准确。另一方面,我们有YOLOv5x的大小是168 MB,但最准确的版本的家庭(gydF4y2Ba 55gydF4y2Ba]。gydF4y2Ba

而YOLO系列,意思YOLOv5薮猫照明点(gydF4y2Ba 56gydF4y2Ba]:gydF4y2Ba

多尺度:使用红外系统提高特征提取的网络而不是锅,使模型更简单和更快gydF4y2Ba

目标重叠:使用舍入方法找到附近的位置,所以目标映射到多个中央网格点gydF4y2Ba

3.2。ResNet50分类gydF4y2Ba

ResNet [gydF4y2Ba 57gydF4y2Ba)网络是残余的缩写。这是脊椎的经典计算机视觉任务,这是广泛使用的目标领域的分类。经典的ResNet包括ResNet50 ResNet101等等。ResNet网络的出现解决了网络的问题没有梯度爆炸在一个更深的方向发展。正如我们所知,深卷积神经网络非常善于识别低,介质,从图像和高级特性,堆积更多层通常可以为我们提供更好的精度。ResNet的主要成分是剩余模块,如图gydF4y2Ba 2gydF4y2Ba。gydF4y2Ba

剩余模块。gydF4y2Ba

剩余模块由两个致密层和一个跳过连接。每两个致密层的激活函数是ReLU函数。gydF4y2Ba

 3.3。整个结构的检测模型gydF4y2Ba

为了解决胸部异常检测,我们设计一个新的混合模型,结合YOLOv5和ResNet50。处理原始图像后,我们在YOLOv5和ResNet50输入它们。然后我们输入的过滤器。过滤器的作用主要是去除YOLOv5无法发现的异常由ResNet分类。我们的模型的整体结构如图gydF4y2Ba 3gydF4y2Ba。gydF4y2Ba

我们的模型的整体结构。gydF4y2Ba

 4所示。实验gydF4y2Ba

在本节中,我们介绍我们使用的数据集和重要性能指标的研究。gydF4y2Ba

4.1。VinBigData的图像数据集gydF4y2Ba

我们的数据集从VinBigData获得,这是一个组织促进基础研究和研究小说和高度适用技术。VinBigData医学成像小组进行研究收集、处理、分析和理解医疗数据。他们致力于构建大规模、高精度医疗成像解决方案基于人工智能的最新发展,促进有效的临床工作流。gydF4y2Ba

构建VinDr-CXR数据集是三个步骤的过程gydF4y2Ba 58gydF4y2Ba]:gydF4y2Ba

数据收集:当病人接受胸部影像学检查,医疗机构可以收集原始图像DICOM格式图像,然后让鉴定保护病人的隐私。gydF4y2Ba

数据过滤:因为并不是所有的图片都是有效的,有必要对原始图像进行过滤。例如,其他形式的图片,其他身体部位,低质量,或不正确的方向都需要过滤掉的基于机器学习的分类器。gydF4y2Ba

数据标签:开发一个基于web的标记工具,VinLab,存储、远程管理和注释DICOM数据。gydF4y2Ba

在我们的任务,我们需要做的是分类,数据集包含14个重要影像学结果。(0)主动脉扩张,(1)肺不张,(2)钙化,(3)心脏肥大,(4)合并,(5)ILD,(6)渗透,(7)肺不透明度,(8)结节/质量,其他病变(9),(10)胸腔积液,胸膜增厚(11),(12)气胸,肺纤维化(13)。和“没有找到”观察(14)是捕获其余发现除了上述14发现。gydF4y2Ba

18000扫描数据集包含注释的有经验的放射科医生。gydF4y2Ba

我们使用15000扫描作为训练数据集,和其他3000个扫描的测试数据集。此外,我们的火车。csv是火车组元数据,为每一个对象一行,包括一个类和一个边界框。它包含8列,它们独特的形象标识符,检测到的对象的类的名称,类的检测对象的ID, ID的放射科医生的观察,和对象的边界框的最小坐标,分别。一些图片在测试和训练有多个对象。数据gydF4y2Ba 4gydF4y2Ba和gydF4y2Ba 5gydF4y2Ba显示输入图像和输出图像的例子,分别。gydF4y2Ba

输入数据的一个例子。gydF4y2Ba

输出数据的一个例子。gydF4y2Ba

 4.2。评价指标gydF4y2Ba

在本节中,我们描述了一些评价指标用于我们的实验。众所周知,我们,在CAD系统中,主要是检测。共同的标准来衡量分类算法的性能包括精度、灵敏度(回忆),特异性,精度、f值,ROC曲线,记录损失,借据(gydF4y2Ba 59gydF4y2Ba),重叠错误,boundary-based评价,骰子相似系数。我们使用的指标是平均平均精度(地图)gydF4y2Ba 60gydF4y2Ba),精密,gydF4y2Ba FgydF4y2Ba1-score。我们将简要介绍他们在接下来的部分。gydF4y2Ba

据统计机器学习理论,精密两分的统计指标的公式gydF4y2Ba (1)gydF4y2Ba 精度gydF4y2Ba =gydF4y2Ba TPgydF4y2Ba TPgydF4y2Ba +gydF4y2Ba 《外交政策》gydF4y2Ba ,gydF4y2Ba 和回忆的公式gydF4y2Ba (2)gydF4y2Ba 回忆gydF4y2Ba =gydF4y2Ba TPgydF4y2Ba TPgydF4y2Ba +gydF4y2Ba FNgydF4y2Ba 。gydF4y2Ba

此外,有必要定义TP, FP和FN的检测任务。gydF4y2Ba

真阳性(TP):借据>(公式)(在本文中,(公式)0.6)检测帧的数量(此句地面真理只计算一次)gydF4y2Ba

假阳性(FP):复选框的数量借据< =(公式),或冗余的复选框的数量检测同一地面实况gydF4y2Ba

假阴性(FN):真理不检测的数量gydF4y2Ba

借据是衡量两个检测帧之间的重叠度(目标探测),公式如下:gydF4y2Ba (3)gydF4y2Ba 我gydF4y2Ba OgydF4y2Ba UgydF4y2Ba =gydF4y2Ba 区域gydF4y2Ba BgydF4y2Ba _gydF4y2Ba pgydF4y2Ba ∩gydF4y2Ba BgydF4y2Ba _gydF4y2Ba ggydF4y2Ba tgydF4y2Ba 区域gydF4y2Ba BgydF4y2Ba _gydF4y2Ba pgydF4y2Ba ∪gydF4y2Ba BgydF4y2Ba _gydF4y2Ba ggydF4y2Ba tgydF4y2Ba 。gydF4y2Ba

B_gt代表实际地面坐标系(地面实况,GT)的目标,和B_p代表预测框架。通过计算两者的借据,它可以判断预测检测框架是否符合条件。照片显示了借据如下。gydF4y2Ba

了解这些知识后,我们引入了地图。美联社是计算某种类型的P-R曲线下的面积,和地图是计算平均P-R曲线下的面积的类型。gydF4y2Ba

FgydF4y2Ba1-score被定义为精度和召回的调和平均数:gydF4y2Ba (4)gydF4y2Ba FgydF4y2Ba 1gydF4y2Ba −gydF4y2Ba 分数gydF4y2Ba =gydF4y2Ba 2gydF4y2Ba ⋅gydF4y2Ba 精度gydF4y2Ba ⋅gydF4y2Ba 回忆gydF4y2Ba 精度gydF4y2Ba +gydF4y2Ba 回忆gydF4y2Ba 。gydF4y2Ba

4.3。实验的设置gydF4y2Ba

我们YOLOv5模型的重要参数如表所示gydF4y2Ba 1gydF4y2Ba。我们的实验使用Pytorch框架与CUDA GPU的环境。gydF4y2Ba

参数及其值。gydF4y2Ba

参数gydF4y2Ba 价值gydF4y2Ba
批量大小gydF4y2Ba 8gydF4y2Ba
图像大小gydF4y2Ba 512年gydF4y2Ba ∗gydF4y2Ba 521年gydF4y2Ba
时代gydF4y2Ba 20.gydF4y2Ba
学习速率gydF4y2Ba 1gydF4y2Ba egydF4y2Ba−2gydF4y2Ba
4.4。实验的结果和分析gydF4y2Ba

我们画一个类分布的直方图来表示数据集显然在图gydF4y2Ba 6gydF4y2Ba。很明显,类的“没有找到”是最大的比例。和类0、3、11和13有更高的比例,对应于主动脉扩张,心脏肥大,胸膜增厚,肺纤维化,分别。与此同时,类1和12的比例较低,这对应于肺不张、气胸。gydF4y2Ba

类分布的直方图。gydF4y2Ba

和图gydF4y2Ba 7gydF4y2Ba显示gydF4y2Ba FgydF4y2Ba为每个类别1指标训练过程。很明显,gydF4y2Ba FgydF4y2Ba1-score趋向于0的增加信心。从图中,我们可以得到最早的对0类合并的信心等于0.45左右。与此同时,最新的0是心脏肥大的类。gydF4y2Ba

FgydF4y2Ba为每个类别1指标训练过程。gydF4y2Ba

此外,评估模型的性能,我们选择一些以前的经典模型和比较它们使用相同的数据集和评价指标。我们在地图的指标进行比较,精度。我们已经介绍了上述定义。我们选择的经典模型YOLOv5,快速RCNN、高效。表gydF4y2Ba 2gydF4y2Ba显示了竞争模型的实验结果。维度的映射(借据阈值预测的边界和地面真理是0.6);很明显,我们提出的模型具有最佳性能,这是0.254,0.010,0.020,和0.023高于YOLOv5,快速RCNN, EfficientDet。与此同时,在精确的尺寸,我们的模型表现也优于其它模型。我们的模型的精度是0.512,0.018,0.027,和0.033高于YOLOv5,快速RCNN, EfficientDet。gydF4y2Ba

与其他模型的结果比较。gydF4y2Ba

模型gydF4y2Ba Map@0.6gydF4y2Ba 精度gydF4y2Ba
YOLOv5 + ResNet50gydF4y2Ba 0.254gydF4y2Ba 0.512gydF4y2Ba
YOLOv5gydF4y2Ba 0.244gydF4y2Ba 0.494gydF4y2Ba
快RCNNgydF4y2Ba 0.234gydF4y2Ba 0.485gydF4y2Ba
EfficientDetgydF4y2Ba 0.231gydF4y2Ba 0.479gydF4y2Ba
5。结论gydF4y2Ba

我们工作的动机是开发一个系统来自动检测胸部异常使用深度学习技术。我们的工作可以帮助医生提高诊断和更快的做出决定。介绍,计算机辅助诊断(CAD)的背景和一些相关的作品。在引言部分的结束,我们的方法的建议。检测方法包含两个步骤。第一步是使用目标检测算法如YOLO和EfficientDet找到位置意思(边界框)的CT扫描图像。很可能的结果是一组有信心大于前一个分数。第二步是使用二进制CNN分类器像ResNet删除的图像异常产生的第一步。在第一步中,我们提到古典像RCNN检测神经网络,快速RCNN RCNN更快,SSD, YOLO系列的意思。这些模型的结构和一些特点是仔细描述。 In the experiment section, the VinBig Dataset is firstly introduced. The training parameters of models, evaluation metrics, and the figures of training process are also given for a repeating experiment. Table 2gydF4y2Ba显示YOLOv5的性能,快速RCNN, EfficientDet和我们建议的方法。很明显,两步方法(YOLOv5 + ResNet50)比只使用检测方法(YOLOv5、快速RCNN, EfficientDet),这意味着我们的方法具有最好的性能。gydF4y2Ba

 数据可用性gydF4y2Ba

所有数据用于支持本研究的结果包括在本文中。gydF4y2Ba

 信息披露gydF4y2Ba

于罗和一帆张co-first作者。gydF4y2Ba

 的利益冲突gydF4y2Ba

作者宣称没有利益冲突。gydF4y2Ba

 杰克逊gydF4y2Ba w . L。gydF4y2Ba 在放射学,周转时间为王gydF4y2Ba 实践管理gydF4y2Ba 2015年gydF4y2Ba 巴·gydF4y2Ba K。gydF4y2Ba 读你的x射线是一个医生吗?也许不是gydF4y2Ba 2011年gydF4y2Ba 纽约,纽约,美国gydF4y2Ba NBCNews.comgydF4y2Ba GinnekengydF4y2Ba B。gydF4y2Ba 在胸部成像五十年的计算机分析:基于规则的机器学习gydF4y2Ba 深度学习。放射物理和技术gydF4y2Ba 2017年gydF4y2Ba 10gydF4y2Ba 23gydF4y2Ba 32gydF4y2Ba 10.1007 / s12194 - 017 - 0394 - 5gydF4y2Ba 2 - s2.0 - 85013130699gydF4y2Ba LodwickgydF4y2Ba g S。gydF4y2Ba 计算机辅助诊断放射学。一份研究计划gydF4y2Ba 调查放射学gydF4y2Ba 2017年gydF4y2Ba 10gydF4y2Ba 115年gydF4y2Ba 118年gydF4y2Ba 10.1097 / 00004424-196601000-00032gydF4y2Ba 2 - s2.0 - 0013869566gydF4y2Ba DoigydF4y2Ba K。gydF4y2Ba 计算机辅助诊断在医学成像:历史回顾、现状和未来的潜力gydF4y2Ba 计算医疗成像图gydF4y2Ba 2007年gydF4y2Ba 31日gydF4y2Ba 198年gydF4y2Ba 211年gydF4y2Ba 10.1016 / j.compmedimag.2007.02.002gydF4y2Ba 2 - s2.0 - 34247171748gydF4y2Ba 早期治疗糖尿病性视网膜病变研究研究小组gydF4y2Ba 分级糖尿病性视网膜病变的立体彩色眼底photographs-an扩展修改艾利房子分类。ETDRS报告10号gydF4y2Ba 眼科学时报gydF4y2Ba 1991年gydF4y2Ba 98年gydF4y2Ba 786年gydF4y2Ba 806年gydF4y2Ba 菲利普gydF4y2Ba 年代。gydF4y2Ba 弗莱明gydF4y2Ba 答:D。gydF4y2Ba GoatmangydF4y2Ba k。gydF4y2Ba 丰gydF4y2Ba 年代。gydF4y2Ba 麦克纳米gydF4y2Ba P。gydF4y2Ba 苏格兰gydF4y2Ba g S。gydF4y2Ba 普莱斯考特gydF4y2Ba g . J。gydF4y2Ba 锋利的gydF4y2Ba p F。gydF4y2Ba 奥尔森gydF4y2Ba j . A。gydF4y2Ba 自动化/不疾病的疗效为糖尿病性视网膜病变评分系统的筛选项目gydF4y2Ba 英国眼科学杂志的gydF4y2Ba 2007年gydF4y2Ba 91年gydF4y2Ba 11gydF4y2Ba 1512年gydF4y2Ba 1517年gydF4y2Ba 10.1136 / bjo.2007.119453gydF4y2Ba 2 - s2.0 - 35748954401gydF4y2Ba 弗莱明gydF4y2Ba 答:D。gydF4y2Ba 菲利普gydF4y2Ba 年代。gydF4y2Ba GoatmangydF4y2Ba k。gydF4y2Ba 普莱斯考特gydF4y2Ba g . J。gydF4y2Ba 锋利的gydF4y2Ba p F。gydF4y2Ba 奥尔森gydF4y2Ba j . A。gydF4y2Ba 自动评分的证据在糖尿病性视网膜病变筛查gydF4y2Ba 目前糖尿病的评论gydF4y2Ba 2011年gydF4y2Ba 7gydF4y2Ba 246年gydF4y2Ba 252年gydF4y2Ba 10.2174 / 157339911796397802gydF4y2Ba 2 - s2.0 - 79961012697gydF4y2Ba 高gydF4y2Ba J。gydF4y2Ba 王gydF4y2Ba H。gydF4y2Ba 沈gydF4y2Ba H。gydF4y2Ba 基于机器学习的工作负载预测云计算gydF4y2Ba 学报2020年第29届国际会议上计算机通信和网络(ICCCN)gydF4y2Ba 2020年8月gydF4y2Ba 美国HW火奴鲁鲁gydF4y2Ba IEEEgydF4y2Ba 1gydF4y2Ba 9gydF4y2Ba 10.1109 / icccn49398.2020.9209730gydF4y2Ba 高gydF4y2Ba J。gydF4y2Ba 王gydF4y2Ba H。gydF4y2Ba 沈gydF4y2Ba H。gydF4y2Ba 巧妙处理可再生能源不稳定在支持一个云数据中心gydF4y2Ba 《2020年IEEE国际并行计算和分布式处理研讨会(IPDPS)gydF4y2Ba 2020年5月gydF4y2Ba 新奥尔良,洛杉矶,美国gydF4y2Ba IEEEgydF4y2Ba 769年gydF4y2Ba 778年gydF4y2Ba MookiahgydF4y2Ba m·r·K。gydF4y2Ba 阿查里雅gydF4y2Ba 美国R。gydF4y2Ba 蔡gydF4y2Ba c K。gydF4y2Ba LimgydF4y2Ba c . M。gydF4y2Ba NggydF4y2Ba E。gydF4y2Ba 以优异gydF4y2Ba 一个。gydF4y2Ba 计算机辅助诊断的糖尿病性视网膜病变:一个回顾gydF4y2Ba 计算机在生物学和医学gydF4y2Ba 2013年gydF4y2Ba 43gydF4y2Ba 12gydF4y2Ba 2136年gydF4y2Ba 2155年gydF4y2Ba 10.1016 / j.compbiomed.2013.10.007gydF4y2Ba 2 - s2.0 - 84887009262gydF4y2Ba 福岛gydF4y2Ba K。gydF4y2Ba Neocognitron:一种机制的自组织神经网络模型的模式识别una_ected立场的转变gydF4y2Ba 生物控制论gydF4y2Ba 1980年gydF4y2Ba 36gydF4y2Ba 4gydF4y2Ba 193年gydF4y2Ba 202年gydF4y2Ba 10.1007 / BF00344251gydF4y2Ba 2 - s2.0 - 0019152630gydF4y2Ba 范GinnekengydF4y2Ba B。gydF4y2Ba 科妮莉亚gydF4y2Ba M。gydF4y2Ba Schaefer-ProkopgydF4y2Ba h神gydF4y2Ba M。gydF4y2Ba 计算机辅助诊断:如何从实验室转移到诊所gydF4y2Ba 放射学gydF4y2Ba 2011年gydF4y2Ba 261年gydF4y2Ba 3gydF4y2Ba 719年gydF4y2Ba 732年gydF4y2Ba 10.1148 / radiol.11091710gydF4y2Ba 2 - s2.0 - 81555205692gydF4y2Ba 高gydF4y2Ba J。gydF4y2Ba 王gydF4y2Ba H。gydF4y2Ba 沈gydF4y2Ba H。gydF4y2Ba 任务失败的预测在云数据中心使用深度学习gydF4y2Ba IEEE服务计算gydF4y2Ba 2020年gydF4y2Ba 10.1109 / TSC.2020.2993728gydF4y2Ba GheisarigydF4y2Ba M。gydF4y2Ba NajafabadigydF4y2Ba h·E。gydF4y2Ba AlzubigydF4y2Ba j . A。gydF4y2Ba 高gydF4y2Ba J。gydF4y2Ba 王gydF4y2Ba G。gydF4y2Ba AbbasigydF4y2Ba 答:一个。gydF4y2Ba 马匹gydF4y2Ba 一个。gydF4y2Ba OBPP:基于本体的框架保护隐私IoT-based智能城市gydF4y2Ba 未来一代计算机系统gydF4y2Ba 2021年gydF4y2Ba 123年gydF4y2Ba 1gydF4y2Ba 13gydF4y2Ba 10.1016 / j.future.2021.01.028gydF4y2Ba 王gydF4y2Ba D。gydF4y2Ba 科斯拉gydF4y2Ba 一个。gydF4y2Ba GargeyagydF4y2Ba R。gydF4y2Ba IrshadgydF4y2Ba H。gydF4y2Ba 贝克gydF4y2Ba a . H。gydF4y2Ba 深度学习鉴别转移性乳腺癌gydF4y2Ba 2016年gydF4y2Ba https://arxiv.org/abs/1606.05718gydF4y2Ba 王gydF4y2Ba Q。gydF4y2Ba 朱gydF4y2Ba J。gydF4y2Ba 深上优于CT成像在中晚期食管癌患者的围手术期处理和护理gydF4y2Ba 科学的规划gydF4y2Ba 2021年gydF4y2Ba 2021年gydF4y2Ba 8gydF4y2Ba 4453317gydF4y2Ba 10.1155 / 2021/4453317gydF4y2Ba 方ydF4y2Ba X。gydF4y2Ba 张gydF4y2Ba X。gydF4y2Ba 张gydF4y2Ba Z。gydF4y2Ba 江gydF4y2Ba Y。gydF4y2Ba 深上优于使用光谱识别脊柱转移的肺癌CT图像gydF4y2Ba 科学的规划gydF4y2Ba 2021年gydF4y2Ba 2021年gydF4y2Ba 7gydF4y2Ba 2779390gydF4y2Ba 10.1155 / 2021/2779390gydF4y2Ba 林gydF4y2Ba Q。gydF4y2Ba 气gydF4y2Ba Q。gydF4y2Ba 侯gydF4y2Ba 年代。gydF4y2Ba 陈gydF4y2Ba Z。gydF4y2Ba 江gydF4y2Ba N。gydF4y2Ba 张gydF4y2Ba lgydF4y2Ba 林gydF4y2Ba C。gydF4y2Ba pet - ct机应用融合深度学习成像精确放射治疗的甲状腺癌gydF4y2Ba 医疗保健工程gydF4y2Ba 2021年gydF4y2Ba 2021年gydF4y2Ba 10gydF4y2Ba 2456429gydF4y2Ba 10.1155 / 2021/2456429gydF4y2Ba EstevagydF4y2Ba 一个。gydF4y2Ba KuprelgydF4y2Ba B。gydF4y2Ba 诺沃亚gydF4y2Ba r。gydF4y2Ba KogydF4y2Ba J。gydF4y2Ba 不要gydF4y2Ba s M。gydF4y2Ba 蓝色gydF4y2Ba h . M。gydF4y2Ba 杜伦gydF4y2Ba 年代。gydF4y2Ba Dermatologistlevel皮肤癌与深层神经网络分类gydF4y2Ba 自然gydF4y2Ba 2017年gydF4y2Ba 542年gydF4y2Ba 7639年gydF4y2Ba 115年gydF4y2Ba 118年gydF4y2Ba 10.1038 / nature21056gydF4y2Ba 2 - s2.0 - 85016143105gydF4y2Ba SchmidhubergydF4y2Ba J。gydF4y2Ba 深度学习神经网络:概述gydF4y2Ba 神经网络gydF4y2Ba 2015年gydF4y2Ba 61年gydF4y2Ba 85年gydF4y2Ba 117年gydF4y2Ba 10.1016 / j.neunet.2014.09.003gydF4y2Ba 2 - s2.0 - 84910651844gydF4y2Ba 普拉萨德gydF4y2Ba d·K。gydF4y2Ba VibhagydF4y2Ba lgydF4y2Ba VenugopalgydF4y2Ba k·R。gydF4y2Ba 早期发现糖尿病性视网膜病变从数字视网膜眼底图像gydF4y2Ba 学报2015年IEEE最新进展智能计算系统(RAICS)gydF4y2Ba 2015年12月gydF4y2Ba 印度特里凡得琅gydF4y2Ba 240年gydF4y2Ba 245年gydF4y2Ba 10.1109 / raics.2015.7488421gydF4y2Ba BhatkargydF4y2Ba 答:P。gydF4y2Ba KharatgydF4y2Ba g . U。gydF4y2Ba 检测糖尿病视网膜病变视网膜图像用MLP分类器gydF4y2Ba 《2015年IEEE国际研讨会上纳米电子和信息系统gydF4y2Ba 2015年12月gydF4y2Ba 印多尔,印度gydF4y2Ba 331年gydF4y2Ba 335年gydF4y2Ba 10.1109 / inis.2015.30gydF4y2Ba 2 - s2.0 - 84966649645gydF4y2Ba ElbalaouigydF4y2Ba 一个。gydF4y2Ba BoutaountegydF4y2Ba M。gydF4y2Ba FaouzigydF4y2Ba H。gydF4y2Ba 托钵僧gydF4y2Ba M。gydF4y2Ba MerbouhagydF4y2Ba 一个。gydF4y2Ba 糖尿病性视网膜病变分泌物的分割和检测gydF4y2Ba 学报2014年国际会议上多媒体计算和系统(ICMCS)gydF4y2Ba 2014年4月gydF4y2Ba 马拉喀什,MorrocogydF4y2Ba 171年gydF4y2Ba 178年gydF4y2Ba 10.1109 / icmcs.2014.6911368gydF4y2Ba 2 - s2.0 - 84928714639gydF4y2Ba 拉曼gydF4y2Ba V。gydF4y2Ba 然后gydF4y2Ba P。gydF4y2Ba SumarigydF4y2Ba P。gydF4y2Ba 提出了视网膜异常检测和分类的方法:计算机辅助检测糖尿病性视网膜病变的机器学习方法gydF4y2Ba 学报》2016年第八届IEEE国际会议通信软件和网络(ICCSN)gydF4y2Ba 2016年6月gydF4y2Ba 中国,北京gydF4y2Ba 636年gydF4y2Ba 641年gydF4y2Ba 10.1109 / iccsn.2016.7586601gydF4y2Ba 2 - s2.0 - 84994496715gydF4y2Ba 考尔gydF4y2Ba 一个。gydF4y2Ba 考尔gydF4y2Ba P。gydF4y2Ba 糖尿病性视网膜病变的综合方法渗出物利用遗传算法和开关中值滤波分割gydF4y2Ba 学报2016年国际会议上形象、视觉和计算(ICIVC)gydF4y2Ba 2016年8月gydF4y2Ba 英国朴茨茅斯gydF4y2Ba 119年gydF4y2Ba 123年gydF4y2Ba 10.1109 / icivc.2016.7571284gydF4y2Ba 2 - s2.0 - 84992121870gydF4y2Ba 陈gydF4y2Ba h·P。gydF4y2Ba 领域gydF4y2Ba B。gydF4y2Ba HadjiiskigydF4y2Ba l . M。gydF4y2Ba KarellasgydF4y2Ba 一个。gydF4y2Ba 生姜gydF4y2Ba m . L。gydF4y2Ba 计算机辅助诊断筛查性乳房x光检查,gydF4y2Ba 进步在乳腺成像:物理、技术和临床Applications-Categorical诊断放射学物理gydF4y2Ba 2004年gydF4y2Ba 美国橡树溪,gydF4y2Ba RSNAgydF4y2Ba SluimergydF4y2Ba 我。gydF4y2Ba SchilhamgydF4y2Ba 一个。gydF4y2Ba h神gydF4y2Ba M。gydF4y2Ba 范GinnekengydF4y2Ba B。gydF4y2Ba 计算机断层扫描的计算机分析肺:一项调查gydF4y2Ba IEEE医学成像gydF4y2Ba 2006年gydF4y2Ba 25gydF4y2Ba 385年gydF4y2Ba 405年gydF4y2Ba 10.1109 / TMI.2005.862753.25gydF4y2Ba 饶gydF4y2Ba m·A。gydF4y2Ba LamanigydF4y2Ba D。gydF4y2Ba BhandarkargydF4y2Ba R。gydF4y2Ba 希莫gydF4y2Ba t . C。gydF4y2Ba 自动检测糖尿病性视网膜病变的图像特征提取gydF4y2Ba 学报2014年国际会议上提出在电子、计算机和通信(ICAECC)gydF4y2Ba 2014年10月gydF4y2Ba 印度班加罗尔gydF4y2Ba 1gydF4y2Ba 6gydF4y2Ba 10.1109 / icaecc.2014.7002402gydF4y2Ba 2 - s2.0 - 84956739612gydF4y2Ba 杜gydF4y2Ba N。gydF4y2Ba 李gydF4y2Ba Y。gydF4y2Ba 自动识别糖尿病视网膜病变阶段使用支持向量机gydF4y2Ba 《2013年第32中国控制会议(CCC)gydF4y2Ba 2013年7月gydF4y2Ba 西安,中国gydF4y2Ba 3882年gydF4y2Ba 3886年gydF4y2Ba 甘地gydF4y2Ba M。gydF4y2Ba DhanasekarangydF4y2Ba R。gydF4y2Ba 使用形态学诊断糖尿病视网膜病变过程和支持向量机分类器gydF4y2Ba 《2013年国际会议上通信和信号处理(ICCSP)gydF4y2Ba 2013年4月gydF4y2Ba Melmaruvathur、印度gydF4y2Ba 873年gydF4y2Ba 877年gydF4y2Ba 10.1109 / iccsp.2013.6577181gydF4y2Ba 2 - s2.0 - 84883337262gydF4y2Ba AdarshgydF4y2Ba P。gydF4y2Ba JeyakumarigydF4y2Ba D。gydF4y2Ba 多级基于svm的自动诊断糖尿病性视网膜病变gydF4y2Ba 《2013年国际会议上通信和信号处理(ICCSP)gydF4y2Ba 2013年4月gydF4y2Ba Melmaruvathur、印度gydF4y2Ba 206年gydF4y2Ba 210年gydF4y2Ba 10.1109 / iccsp.2013.6577044gydF4y2Ba 2 - s2.0 - 84883384120gydF4y2Ba SermanetgydF4y2Ba P。gydF4y2Ba KavukcuoglugydF4y2Ba K。gydF4y2Ba ChintalagydF4y2Ba 年代。gydF4y2Ba 勒存gydF4y2Ba Y。gydF4y2Ba 行人检测与无监督多级功能学习gydF4y2Ba 2013年gydF4y2Ba https://arxiv.org/abs/1212.0142gydF4y2Ba 苏gydF4y2Ba H。gydF4y2Ba 邓gydF4y2Ba J。gydF4y2Ba 菲菲gydF4y2Ba lgydF4y2Ba 众包注释为视觉目标检测gydF4y2Ba 2012年gydF4y2Ba 帕洛阿尔托,加州,美国gydF4y2Ba 4人计算研讨会gydF4y2Ba AAAI技术报告gydF4y2Ba 唱gydF4y2Ba K。gydF4y2Ba 小山gydF4y2Ba T。gydF4y2Ba 基于实例学习viewbased人脸检测gydF4y2Ba 1994年gydF4y2Ba 美国剑桥,马gydF4y2Ba 马萨诸塞州理工学院gydF4y2Ba 技术报告人工智能1521号备忘录gydF4y2Ba GirshickgydF4y2Ba R。gydF4y2Ba 多纳休gydF4y2Ba J。gydF4y2Ba 达雷尔gydF4y2Ba T。gydF4y2Ba 马利克gydF4y2Ba J。gydF4y2Ba 丰富的特性准确的对象层次结构和语义分割检测gydF4y2Ba 《IEEE计算机视觉与模式识别会议gydF4y2Ba 2014年6月gydF4y2Ba 美国哥伦布,哦gydF4y2Ba 10.1109 / cvpr.2014.81gydF4y2Ba 2 - s2.0 - 84911400494gydF4y2Ba GirshickgydF4y2Ba R。gydF4y2Ba 快r-cnngydF4y2Ba 《IEEE计算机视觉国际会议gydF4y2Ba 2015年12月gydF4y2Ba 圣地亚哥,智利gydF4y2Ba 10.1109 / iccv.2015.169gydF4y2Ba 2 - s2.0 - 84964588182gydF4y2Ba 王gydF4y2Ba X。gydF4y2Ba ShrivastavagydF4y2Ba 一个。gydF4y2Ba 古普塔gydF4y2Ba 一个。gydF4y2Ba A-fast-rcnn:努力积极代通过对手为目标检测gydF4y2Ba 《IEEE计算机视觉与模式识别会议gydF4y2Ba 2017年7月gydF4y2Ba 美国HW火奴鲁鲁gydF4y2Ba 10.1109 / cvpr.2017.324gydF4y2Ba 2 - s2.0 - 85041931708gydF4y2Ba 全gydF4y2Ba lgydF4y2Ba 裴gydF4y2Ba D。gydF4y2Ba 王gydF4y2Ba B。gydF4y2Ba 阮gydF4y2Ba W。gydF4y2Ba 人类的目标识别算法研究基于fast-RCNN家庭服务机器人gydF4y2Ba 学报2017年10日智能计算技术与自动化国际会议上(ICICTA)gydF4y2Ba 2017年10月gydF4y2Ba 长沙,中国gydF4y2Ba IEEEgydF4y2Ba 369年gydF4y2Ba 373年gydF4y2Ba 任gydF4y2Ba 年代。gydF4y2Ba 他gydF4y2Ba K。gydF4y2Ba GirshikgydF4y2Ba R。gydF4y2Ba 唱ydF4y2Ba J。gydF4y2Ba 更快的r-cnn:对实时检测与地区建议网络gydF4y2Ba 先进的神经信息处理系统gydF4y2Ba 2015年gydF4y2Ba 28gydF4y2Ba 91年gydF4y2Ba 99年gydF4y2Ba 江gydF4y2Ba H。gydF4y2Ba Learned-MillergydF4y2Ba E。gydF4y2Ba 人脸检测与R-CNN越快gydF4y2Ba 学报》2017年第12 IEEE国际会议自动脸上&手势识别(FG 2017)gydF4y2Ba 2017年6月gydF4y2Ba 美国华盛顿特区gydF4y2Ba IEEEgydF4y2Ba 10.1109 / fg.2017.82gydF4y2Ba 2 - s2.0 - 85026321959gydF4y2Ba 陈gydF4y2Ba X。gydF4y2Ba 古普塔gydF4y2Ba 一个。gydF4y2Ba 更快的实现与研究rcnn地区抽样gydF4y2Ba 2017年gydF4y2Ba https://arxiv.org/abs/1702.02138gydF4y2Ba RedmongydF4y2Ba J。gydF4y2Ba DivvalagydF4y2Ba 年代。gydF4y2Ba GirshickgydF4y2Ba R。gydF4y2Ba FarkadigydF4y2Ba 一个。gydF4y2Ba 你只看一次:统一、实时检测gydF4y2Ba 《IEEE计算机视觉与模式识别会议gydF4y2Ba 2016年6月gydF4y2Ba 美国HW火奴鲁鲁gydF4y2Ba 779年gydF4y2Ba 788年gydF4y2Ba 金gydF4y2Ba d S。gydF4y2Ba 菲格罗亚gydF4y2Ba k W。gydF4y2Ba 李gydF4y2Ba K.-W。gydF4y2Ba 好的证据gydF4y2Ba 一个。gydF4y2Ba YologydF4y2Ba T。gydF4y2Ba 罗gydF4y2Ba z D。gydF4y2Ba 分析动态改变基因表达的背根神经节周围神经损伤和创伤性神经胶质原纤维醋酸蛋白质的重要作用维护痛苦的行为gydF4y2Ba 疼痛gydF4y2Ba 2009年gydF4y2Ba 143年gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba 10.1016 / j.pain.2009.02.006gydF4y2Ba 2 - s2.0 - 63449104335gydF4y2Ba loannougydF4y2Ba Y。gydF4y2Ba 罗伯逊gydF4y2Ba D。gydF4y2Ba ShottongydF4y2Ba J。gydF4y2Ba CipollagydF4y2Ba R。gydF4y2Ba CriminisigydF4y2Ba 一个。gydF4y2Ba 培训cnn与低级过滤器高效的图像分类gydF4y2Ba 2015年gydF4y2Ba https://arxiv.org/abs/1511.06744gydF4y2Ba 刘gydF4y2Ba B。gydF4y2Ba 王gydF4y2Ba M。gydF4y2Ba ForooshgydF4y2Ba H。gydF4y2Ba 她gydF4y2Ba M。gydF4y2Ba PenskygydF4y2Ba M。gydF4y2Ba 稀疏的卷积神经网络gydF4y2Ba 程序的计算机视觉和模式识别(CVPR)gydF4y2Ba 2015年6月gydF4y2Ba 波士顿,美国gydF4y2Ba 10.1109 / cvpr.2015.7298681gydF4y2Ba 2 - s2.0 - 84959241183gydF4y2Ba 温gydF4y2Ba W。gydF4y2Ba 吴gydF4y2Ba C。gydF4y2Ba 王gydF4y2Ba Y。gydF4y2Ba 陈gydF4y2Ba Y。gydF4y2Ba 李gydF4y2Ba H。gydF4y2Ba 在深层神经网络学习结构化稀疏gydF4y2Ba 诉讼进展的神经信息处理系统(少量)gydF4y2Ba 2016年12月gydF4y2Ba 西班牙巴塞罗那gydF4y2Ba ShafieegydF4y2Ba m·J。gydF4y2Ba MishragydF4y2Ba 一个。gydF4y2Ba 黄gydF4y2Ba 一个。gydF4y2Ba 深度学习与达尔文:深层神经网络的进化合成gydF4y2Ba 2016年gydF4y2Ba https://arxiv.org/abs/1606.04393gydF4y2Ba ShafieegydF4y2Ba m·J。gydF4y2Ba 黄gydF4y2Ba 一个。gydF4y2Ba 进化合成深层神经网络通过突触cluster-driven基因编码gydF4y2Ba 诉讼进展的神经信息处理系统研讨会(少量)gydF4y2Ba 2016年gydF4y2Ba 西班牙巴塞罗那gydF4y2Ba ShafieegydF4y2Ba m·J。gydF4y2Ba BarshangydF4y2Ba E。gydF4y2Ba 黄gydF4y2Ba 一个。gydF4y2Ba 进化组:深入观察突触集群驱动深层神经网络的进化gydF4y2Ba 2017年gydF4y2Ba https://arxiv.org/abs/1704.02081gydF4y2Ba EveringhamgydF4y2Ba M。gydF4y2Ba 范干傻事gydF4y2Ba lgydF4y2Ba 威廉姆斯gydF4y2Ba c . k . I。gydF4y2Ba 韦恩gydF4y2Ba J。gydF4y2Ba ZissermangydF4y2Ba 一个。gydF4y2Ba 2007帕斯卡的视觉对象类的挑战(VOC2007)的结果gydF4y2Ba 2007年gydF4y2Ba 纽约,纽约,美国gydF4y2Ba 施普林格gydF4y2Ba BerclazgydF4y2Ba J。gydF4y2Ba 小花gydF4y2Ba F。gydF4y2Ba TuretkengydF4y2Ba E。gydF4y2Ba FuagydF4y2Ba P。gydF4y2Ba 多个对象跟踪使用k-shortest路径优化gydF4y2Ba IEEE模式分析与机器智能gydF4y2Ba 2011年gydF4y2Ba 33gydF4y2Ba 10.1109 / TPAMI.2011.21gydF4y2Ba 2 - s2.0 - 80054897941gydF4y2Ba BochkovskiygydF4y2Ba 一个。gydF4y2Ba 王gydF4y2Ba 彭译葶。gydF4y2Ba 元gydF4y2Ba H。gydF4y2Ba 廖gydF4y2Ba M。gydF4y2Ba Yolov4:最优目标检测的速度和准确性gydF4y2Ba 2020年gydF4y2Ba https://arxiv.org/abs/2004.10934gydF4y2Ba Kasper-EulaersgydF4y2Ba M。gydF4y2Ba 哈恩gydF4y2Ba N。gydF4y2Ba 伯杰gydF4y2Ba 年代。gydF4y2Ba sebulosengydF4y2Ba T。gydF4y2Ba MyrlandgydF4y2Ba Ø。gydF4y2Ba 埃吉尔KummervoldgydF4y2Ba P。gydF4y2Ba 检测重型卡车在其他地区在冬天使用YOLOv5条件gydF4y2Ba 算法gydF4y2Ba 2021年gydF4y2Ba 14gydF4y2Ba 4gydF4y2Ba 114年gydF4y2Ba 10.3390 / a14040114gydF4y2Ba 姚gydF4y2Ba J。gydF4y2Ba 气gydF4y2Ba J。gydF4y2Ba 张gydF4y2Ba J。gydF4y2Ba 邵gydF4y2Ba H。gydF4y2Ba 杨gydF4y2Ba J。gydF4y2Ba 李gydF4y2Ba X。gydF4y2Ba “猕猴桃缺陷的实时检测算法基于YOLOv5”gydF4y2Ba 2021年gydF4y2Ba 10gydF4y2Ba 14gydF4y2Ba 1711年gydF4y2Ba 10.3390 / electronics10141711gydF4y2Ba 库兹涅佐娃gydF4y2Ba 一个。gydF4y2Ba MalevagydF4y2Ba T。gydF4y2Ba SolovievgydF4y2Ba V。gydF4y2Ba 检测苹果果园使用YOLOv3和YOLOv5和特写图片gydF4y2Ba 国际研讨会上神经网络的程序gydF4y2Ba 2020年12月gydF4y2Ba 开罗,埃及gydF4y2Ba 施普林格gydF4y2Ba 233年gydF4y2Ba 243年gydF4y2Ba 10.1007 / 978 - 3 - 030 - 64221 - 1 - _20gydF4y2Ba 目标gydF4y2Ba 年代。gydF4y2Ba 阿尔梅达gydF4y2Ba D。gydF4y2Ba 莱曼gydF4y2Ba K。gydF4y2Ba Resnet Resnet:概括残余架构gydF4y2Ba 2016年gydF4y2Ba https://arxiv.org/abs/1603.08029gydF4y2Ba 阮gydF4y2Ba h . Q。gydF4y2Ba 范教授gydF4y2Ba H . H。gydF4y2Ba 灵gydF4y2Ba l . T。gydF4y2Ba 刀gydF4y2Ba M。gydF4y2Ba 同庆gydF4y2Ba 我。gydF4y2Ba VinDr-CXR:一个开放的数据集的胸部x光放射学家的注释gydF4y2Ba 2020年gydF4y2Ba https://arxiv.org/abs/2012.15029gydF4y2Ba 周gydF4y2Ba D。gydF4y2Ba 方gydF4y2Ba J。gydF4y2Ba 首歌gydF4y2Ba X。gydF4y2Ba 关gydF4y2Ba C。gydF4y2Ba 阴gydF4y2Ba J。gydF4y2Ba 戴gydF4y2Ba Y。gydF4y2Ba 杨gydF4y2Ba R。gydF4y2Ba 借据损失2 d / 3 d对象检测gydF4y2Ba 《2019年国际会议上3 d视觉(3 dv)gydF4y2Ba 2019年9月gydF4y2Ba 加拿大魁北克gydF4y2Ba IEEEgydF4y2Ba 85年gydF4y2Ba 94年gydF4y2Ba 亨德森gydF4y2Ba P。gydF4y2Ba 法拉利gydF4y2Ba V。gydF4y2Ba 端到端培训对象类探测器的意思是平均精度gydF4y2Ba 计算机视觉的亚洲会议gydF4y2Ba 2016年11月gydF4y2Ba 台北,台湾gydF4y2Ba 施普林格gydF4y2Ba