基于两阶段分析的多尺度颈动脉斑块检测方法

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Faster R-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。