面向克汀油显微镜的无创感菌丝检测：基于RT-DETR的实时Transformer方法
计算机视觉与模式识别
2026-02-24 v1 人工智能
摘要
皮肤屈氏菌病常通过氢氧化钾（KOH）显微镜进行评估，但由于无创素、异质的角质清除以及显著的观察者间变异性，准确识别真菌丝网受到阻碍。本研究提出了基于RT-DETR模型架构的Transformer检测框架，用于在高分辨率KOH显微镜图像中实现对真菌结构的精确、查询驱动的局部化。构建了一个包含2,540幅常规获取的显微镜图像的数据集，通过多类策略进行手动标注，以明确区分真菌元素与混淆的无创素。采用保持形态的增强措施以维持细小丝网的结构完整性进行模型训练。在独立的测试集上进行评估，显示出稳健的对象级性能，召回率为0.9737，精确率为0.8043，平均精度（[email protected]）为93.56%。在图像层面的诊断聚合后，模型实现了100%的灵敏度和98.8%的准确率，正确识别了所有阳性病例且未漏诊任何一个诊断。定性输出确认了即使在无创素丰富的场域中，模型也能稳健地定位低对比度丝网。这些结果表明，人工智能（AI）系统可作为高度可靠的自动筛查工具，有效弥合了图像层面分析与临床决策之间的差距。
引用
@article{arxiv.2602.19156,
title = {Artefact-Aware Fungal Detection in Dermatophytosis: A Real-Time Transformer-Based Approach for KOH Microscopy},
author = {Rana Gursoy and Abdurrahim Yilmaz and Baris Kizilyaprak and Esmahan Caglar and Burak Temelkuran and Huseyin Uvet and Ayse Esra Koku Aksu and Gulsum Gencoglan},
journal= {arXiv preprint arXiv:2602.19156},
year = {2026}
}