Resumen

El diagnóstico asistido por ordenador (CAD) tiene casi cincuenta años de historia y ha ayudado a muchos médicos en el diagnóstico. Con el desarrollo de la tecnología, recientemente, los investigadores utilizan el método de aprendizaje profundo para obtener resultados de alta precisión en el sistema CAD. Con CAD, la salida de la computadora se puede utilizar como una segunda opción para los radiólogos y contribuir a que los médicos tomen las decisiones correctas finales. La detección de anomalías torácicas es un problema clásico de detección y clasificación; los investigadores necesitan clasificar las enfermedades pulmonares torácicas comunes y localizar los hallazgos críticos. Para el problema de detección, existen dos métodos de aprendizaje profundo: método de una etapa y método de dos etapas. En nuestro trabajo, introducimos y analizamos algunos modelos representativos, como RCNN, SSD y la serie YOLO. Para resolver mejor el problema de la detección de anomalías torácicas, propusimos un nuevo modelo basado en YOLOv5 y ResNet50. YOLOv5 es la última serie de YOLO, que es más flexible que los algoritmos de detección de una etapa anteriores. La función de YOLOv5 en nuestro trabajo es localizar la región anómala. Por otra parte, utilizamos ResNet, evitando los problemas de explosión de gradiente en el aprendizaje profundo para la clasificación. Y filtramos el resultado que obtenemos de YOLOv5 y ResNet. Si ResNet reconoce que la imagen no es anormal, el resultado de detección de YOLOv5 se descarta. El conjunto de datos se recopila a través de la plataforma web de VinBigData, VinLab. Entrenamos nuestro modelo en el conjunto de datos utilizando el marco Pytorch y utilizamos el mAP, la precisión y la puntuación F1 como métricas para evaluar el rendimiento de nuestro modelo. En el progreso de los experimentos, nuestro método logra un rendimiento superior al de otros enfoques clásicos en el mismo conjunto de datos. Los experimentos muestran que el mAP de YOLOv5 es 0,010, 0,020, 0,023 superior a los de YOLOv5, Fast RCNN y EfficientDet. Además, en la dimensión de precisión, nuestro modelo también obtiene mejores resultados que otros modelos. La precisión de nuestro modelo es de 0,512, que es 0,018, 0,027 y 0,033 superior a la de YOLOv5, Fast RCNN y EfficientDet.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:YOLOv5, modelo, ResNet, precisión, Fast RCNN, método por etapas, enfermedades pulmonares torácicas comunes, detección de anomalías torácicas, resultado de detección de YOLOv5, detección de anomalías torácicas.
• Keywords:YOLOv5, model, ResNet, precision, Fast RCNN, stage method, common thoracic lung diseases, Chest abnormality detection, YOLOv5 detection result, chest abnormality detection