基于 CNN 的结膜苍白贫血检测的训练后量化性能分析-计算机科学-计算机辅助诊断-贫血检测-数据增强.pdfVIP

基于CNN的结膜苍白贫血检测的训练后量化

性能分析

SebastiánA.CruzRomero,WilfredoE.LugoBeauchamp

ComputerScienceandEngineering,

UniversityofPuertoRicoatMayagüez,

Mayagüez,PuertoRico

sebastian.cruz6@,wilfredo.lugo1@

摘要—贫血是全球广泛存在的健康问题，特别是在低资源环卫生组织的数据，贫血影响全球6至59个月大的儿童

境中的幼儿中更为普遍。传统的贫血检测方法通常需要昂贵的设中超过40%，以及37%的孕妇，其中最高比例出现在

本备和专业知识，这为早期和准确诊断设置了障碍。为了应对这些医疗保健获取受限的低收入和中等收入国家（LMICs）

挑战，我们探索了通过结膜苍白使用深度学习模型来检测贫血的

译中。[2]鉴于这些挑战，对于早期贫血检测的非侵入性、

方法，重点关注CP-AnemiC数据集，该数据集包含6至59个

中月大的儿童的710张图像。数据集标注有血红蛋白水平、性别、便携式诊断工具的兴趣日益增加，以实现预防干预。[4]

1年龄和其他人口统计数据，这使得开发用于准确诊断贫血的机器[3]

v

1学习模型成为可能。我们使用MobileNet架构作为基础，因其一种非侵入性方法探讨了计算机辅助诊断（CAD）

5在移动和嵌入式视觉应用中的高效性而闻名，并通过数据增强技系统，该系统能够分析生理指标，如结膜苍白中的色素

1术和交叉验证策略对我们的模型进行端到端微调。我们的模型实

5变化，作为贫血的诊断指标，因为它与血红蛋白水平有

1现达到了0.9313的准确率、0.9374的精度以及0.9773的F1

.直接关系且易于使用。[5]在评估苍白区域（指甲床、手

7分数，展示了在数据集上的强劲性能。为了优化模型以适应边缘

0设备部署，我们进行了训练后量化，评估了不同位宽（FP32、掌、舌头）中，由于结膜的组织层较少且血管直接接触，

5FP16、INT8和INT4）对模型性能的影响。初步结果显示，它被认为是检测贫血最为敏感的部位。[5][4]然而，基

2

:尽管FP16量化保持了高准确率（0.9250）、精度（0.9370）和于结膜苍白的贫血诊断工具在资源有限环境中的可行

v

iF1分数（0.9377），但更激进的量化（INT8和INT4）导致显性仍然是一个研究兴趣增长领域，但尚未对最佳实施方

x

r著的性能下降。总体而言，我们的研究支持进一步探索量化方案

a和硬件优化，以评估移动医疗应用中模型大小、推理时间和诊断法达成一致意见。[6]

准确性之间的权衡。随着人工智能（AI）和深度学习（DL）的进步，已

IndexTerms—计算机辅助诊断（CAD），贫血检测，卷经研究了各种非侵入性贫血诊断方法来解决临床方法

积神经网络，训练后量化的局限性。[4]之前的工作引入了机器学习（ML）模型，

通过基于苍白特征识别贫血状况或估计血红蛋白水平，

I.介绍

尽管仍然存在依赖专有数据集和缺乏数据多