TY -的A2 Alazzam Malik AU -罗,于非盟-张,一帆盟——太阳,Xize AU -戴,恒威盟——陈,晓惠PY - 2021 DA - 2021/10/13 TI -智能解决方案基于YOLOv5胸部异常检测和ResNet50 SP - 2267635六世- 2021 AB -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 F1-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。SN - 2040 - 2295 UR - https://doi.org/10.1155/2021/2267635 - 10.1155 / 2021/2267635摩根富林明医疗工程PB - Hindawi KW - ER