MedYOLO:一种医学图像目标检测框架
本研究提出了一种高效的端到端多任务网络 YOLO-Med,能够同时进行目标检测和语义分割,通过多尺度特征提取和任务特定解码器的结合,以及跨尺度任务交互模块的引入,实现了准确性和速度的平衡,并在 Kvasir-seg 数据集和私有生物医学图像数据集上获得了良好的结果。
Mar, 2024
本研究探讨了目标检测特别是 YOLOv5 在医学影像中的应用,通过训练模型检测病理性肺病变,实现早期肺癌的诊断,结果表明该模型在识别病变和计算效率方面表现良好,有望在临床中应用辅助影像医师的早期检测。
May, 2023
基于注意力机制的医学目标检测方法 ADA-YOLO 在血细胞计数和检测 (BCCD) 数据集上表现出色,相较于 YOLOv8 模型,它在 mAP(平均准确率)上优于后者,并仅使用了三倍以上的空间,适用于资源受限的环境,如移动设备或边缘计算系统。
Dec, 2023
本研究评估了基于卷积神经网络的最基本的目标检测模型在速度 / 准确性权衡方面的性能,并选择了一个高效的模型 YOLOv5 进行实时医用口罩检测的优化,提出了一个基于转移学习的优化模型,在维持相同的平均精度的情况下,其速度超过了 PWMFD 数据集上最先进的模型 SE-YOLOv3 的两倍以上(每秒 69 帧)。
May, 2024
通过使用最新的 You Only Look Once (YOLO V7) 目标检测方法,该研究针对医学图像格式上的肾脏检测进行了训练和测试,通过在 878 名患有各种亚型的肾细胞癌(RCC)和 206 名正常肾脏患者中检索了 1084 名患者的 5657 张 MRI 扫描,观察最终模型的肯定预测值(PPV)、敏感性和平均精确度 (mAP)。
Feb, 2024
利用深度学习技术在医学影像领域可靠地检测和分类脑肿瘤是一项重要挑战,本研究通过对稀有病例的异常检测和分类,采用 YOLOv8n 检测模型和 Vision Transformer 模型,在实际医学影像场景中取得了有竞争力的结果。
Jan, 2024
通过将 YOLO 和 Faster R-CNN 算法融合应用于超声图像中,本研究旨在选择更精确的包围盒以提高胆囊癌分类,实验证明该方法在分类性能上表现优越,准确率达到 92.62%,而仅使用 Faster R-CNN 和 YOLOv8 的准确率分别为 90.16% 和 82.79%。
Apr, 2024
提出 UOLO 框架,用于医学图像中感兴趣结构的同时检测和分割。UOLO 由对象分割模块组成,其中间抽象表示被处理并用作对象检测的输入。该系统同步优化以检测对象类和分割可选结构类。通过新的损失函数进行训练,考虑到每个训练图像是否可以获取参考分割。在公共数据集上,验证 UOLO 在视网膜图像中同时进行视盘(OD)检测、黄斑检测和 OD 分割,实现了最先进的性能。
Oct, 2018
YOLO 是一种新的目标检测方法,使用单个神经网络从完整图像中直接预测边界框和类别概率,具有实时处理速度、误检低和物体的通用表示等优势。
Jun, 2015
该研究提出了一种基于重参数化卷积和通道洗牌的新型 YOLO 架构(RCS-YOLO),并通过特征级联和计算效率提取更丰富的信息,减少时间消耗,实现了在大脑肿瘤检测任务上的最新性能,超过了 YOLOv6、YOLOv7 和 YOLOv8 的速度和准确性。
Jul, 2023