基于两阶段分析的多尺度颈动脉斑块检测方法

摘要

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。

关键词

深度学习 / YOLOX / 特征融合 / SVM / 颈动脉斑块