背景:膝骨关节炎是一种常见的退行性疾病,不仅严重影响患者的生活质量,同时增加社会医疗负担。早期准确诊断膝骨关节炎对于患者的治疗和预后至关重要,传统的诊断方法不仅主观且耗时,还不能保证稳定的高准确率。目的:开发一种基于深度学习的膝骨关节炎自动诊断方法,利用深度学习网络提高诊断的准确性和效率。方法:在YOLOv8n网络基础上采用Efficient-ViT网络替换YOLOv8n的骨干网络以及增加注意力机制的方法,提出了一种新的网络模型YOLOV8-ViT模型,用于自动识别和分类膝骨关节炎的X射线片图像。实验数据集来自广州中医药大学第三附属医院的5078张膝骨关节炎患者的X射线片图像,由3个影像医师根据Kellgren-Lawrence分级标准采用labelme软件来标注膝关节炎部位并进行分类,采用并集结果。评价指标包括Precision、F1分数、mean average precision(mAP)、Recall、val/box_loss、val/cls_loss和val/dfl_loss。结果与结论:实验结果表明,与YOLOv5n、YOLOv8n、YOLOv9n模型比较,YOLOV8-ViT模型的准确率、IoU阈值为0.5的平均精度(mAP50)、IoU阈值为0.5-0.95的平均精度(mAP50-95)、F1分数和Recall均有所提高,val/box_loss、val/cls_loss和val/dfl_loss分别降低了0.496、0.45和0.523,1.037、0.305和0.728,0.267、0654和0.854,验证了该模型具有较高的检测精度。
暂无评论