南方医科大学学报

作者：肖 慧, 方威扬, 林铭俊, 周振忠, 费洪文, 陈超敏

单位：南方医科大学生物医学工程学院，广东 广州 510515；广州尚医网信息技术有限公司，广东 广州 510515；南方医科大学附属广东省人民医院，广东 广州 510180

关键词：深度学习；YOLOX；特征融合；SVM；颈动脉斑块,

目的 实现从超声图像中准确检测出多种尺度大小的颈动脉斑块。方法 本文提出一种基于深度卷积神经网络的两阶段颈动脉斑块检测方法—SM-YOLO。依次运用中值滤波、直方图均衡化、Gamma变换等算法对数据集进行预处理，提高图像质量。模型的第1阶段基于YOLOX_l目标检测网络构建候选斑块集，添加多尺度图像训练和多尺度图像预测策略，以适应不同形状大小的颈动脉斑块。在第2阶段中，提取并融合方向梯度直方图特征（HOG）和局部二值模式特征（LBP），结合支持向量机分类器（SVM）对候选斑块集进行筛选得到最终的检测结果。将本文构建的模型与多个领先的目标检测模型（YOLOX_l、SSD、EfficientDet、YOLOV5_l、Faster R-CNN）进行定量和可视化结果对比。结果 SM-YOLO在测试集上的召回率为89.44%，精确率为90.96%，F1-Score为90.19%，AP为92.70%，各项性能指标和可视化效果均优于其他几种模型。同时其检测时间比FasterR-CNN模型少3倍，基本满足实时检测的要求。结论 本文的颈动脉斑块检测方法具有较好的性能，对于在超声图像中准确识别颈动脉斑块具有一定的临床应用价值。

来源：2024年第2期

《南方医科大学学报》期刊编辑部

查看南方医科大学学报杂志2024年第2期