Localización y clasificación de epífisis en radiografías carpianas utilizando modelos YOLO
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1336Palabras clave:
edad ósea, epífisis, Detección de objetosResumen
Objetivo: Este estudio propone el desarrollo de un modelo para detectar epífisis en imágenes de rayos X utilizando modelos de aprendizaje automático. Metodología: Describimos el proceso de adquisición de datos y realizamos pruebas con modelos como YOLOv5, YOLOv8 y Faster R-CNN. Resultados: El modelo YOLOv8 obtuvo un error del 1% en datos DHA, mientras que el modelo YOLOv5 obtuvo cerca del 5%. Conclusión: Tras un análisis comparativo, YOLOv8 se seleccionó como modelo ideal para la detección final de epífisis.
Citas
Hossain A, Islam MT, Almutairi AF. A deep learning model to classify and detect brain abnormalities in portable microwave based imaging system. 2022. Scientific Reports. DOI: https://doi.org/10.21203/rs.3.rs-848377/v1
Jones J, Greulich and Pyle method. 2020.
Koitka S, Kim MS. Qu M. Fischer A, Friedrich CM, Nensa F. Mimicking the radiologists’ workflow: Estimating pediatric hand bone age with stacked deep neural networks. 2020. Medical Image Analysis 64. DOI: https://doi.org/10.1016/j.media.2020.101743
Pinto, Vanessa C. Relação da idade óssea e marcadores hormonais com a capacidade física de adolescentes. 2017. J Hum Growth Dev.
Redmon J, Divvala S, Girshick R, Farhadi A. You Only Look Once: Unified, Real-Time Object Detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016. (CVPR). DOI: https://doi.org/10.1109/CVPR.2016.91
Schneider, R, Irigaray, T. Envelhecimento na atualidade: aspectos cronológicos, biológicos, psicológicos e sociais. Estudos de psicologia. 2008. DOI: https://doi.org/10.1590/S0103-166X2008000400013
Chollet, F. Deep Learning with Python. 2017.
Trombetta GBW, Fröhlich W da R, Rigo SJ, Rodrigues CA. Aplicação de Deep Learning para Diagnóstico de Pneumonia Causada por COVID -19 a partir de Imagens de Raio X. J Health Inform [Internet]. 15º de março de 2021 [citado 21º de maio de 2024];12. Disponível em: https://jhi.sbis.org.br/index.php/jhi-sbis/article/view/828
https://www.rsna.org/rsnai/ai-image-challenge/rsna-pediatric-bone-age-challenge-2017.
Koitka S, Demircioglu A, Kim MS, Friedrich CM, Nensa F.Ossification area localization in pediatric hand radiographs using deep neural networks for object detection. 2018. DOI: https://doi.org/10.1371/journal.pone.0207496
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
La sumisión de un artículo a el Journal of Health Informatics es entendida como exclusiva y que no esta siendo considerado para publicación en otro periódico. La permisión de los autores para la publicación de su artículo en lo JHI implica en la exclusiva autorización concedida a los editores para su inclusión en la revista. Al someter un artículo, a lo autor será solicitada la permisión electrónica de una Nota de Copyright. Una mensaje electrónica será enviada a lo autor correspondiente confirmando el recibo del manuscrito y lo aceite de la Nota de Copyright.
