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.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Fabricación de nanocompuestos jerárquicos mediante un método que imita la naturaleza: Depósito de nanopartículas de MoS2 sobre nanotubos de nitruro de carbono mediante recubrimiento de polidopamina
Artículo:
Refuerzo de caucho natural con nanopartículas de sílice-poli(metacrilato de metilo) de estructura Core-Shell
Artículo:
Obtención de nanopartículas de óxido de silicio dopadas con partículas de flúor y oro mediante el método químico de plasma pulsado
Artículo:
Caracterización genética de en truchas arcoíris cultivadas enfermas () en Irán
Artículo:
Monitorización sin contacto de los patrones respiratorios y la frecuencia respiratoria en la nuca: Un enfoque de cámara única
Informe, reporte:
Diagnóstico sobre la logística del comercio internacional y su incidencia en la competitividad de las exportaciones de los países miembros
Infografía:
Sistemas de calidad. Six Sigma
Manual:
Química de los taninos
Artículo:
Influencia del COVID-19 en las dinámicas de exportación, producción y consumo de carne vacuna en Colombia y el mundo: Una revisión monográfica.