Mar, 2024

YOLO-MED：生物医学图像的多任务交互网络

PDF
TL;DR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。
object detectionsemantic segmentationmulti-task networksbiomedical image analysisyolo-med
发现论文，激发创造
  • MedYOLO：一种医学图像目标检测框架

    人工智能、医学影像、卷积神经网络、目标检测、MedYOLO

    Dec, 2023

  • 基于 YOLOR 的多任务学习

    通过建议的架构和训练策略，我们在多个任务上实现了竞争性的性能，同时保持较低的参数数量和无需预训练。

    Sep, 2023

  • 自动驾驶的实时联合目标检测和语义分割网络

    本论文提出了一种联合多任务网络设计，用于同时学习目标检测和语义分割，以实现低功耗嵌入式 SOC 上的实时性能，并在两个公共数据集（KITTI，Cityscapes）和私人鱼眼相机数据集中评估提出的网络。

    Jan, 2019

  • 医学影像中的全面多模态分割：结合 YOLOv8 和 SAM 与 HQ-SAM 模型

    利用 YOLOv8 模型和 SAM 模型，本文提出了一种综合方法，用于在多样性医学成像数据集中分割感兴趣区域 (ROI)，包括超声、CT 扫描和 X 射线图像。结果表明，SAM 模型在医学图像分割方面的准确性和整体性能上表现更好，而 HQ-SAM 模型的额外计算成本可能无法证明其优势。而 YOLOv8+SAM 模型显示出提高医学图像分割和其临床影响的潜力。

    Oct, 2023

  • 胸部 CT 扫描的多任务学习：分类、分割、重建和检测

    肺癌和 COVID-19 是世界上患病率和死亡率最高的疾病之一。针对早期阶段疾病的病灶识别对医生而言是困难且耗时的，因此，多任务学习是一种从少量医学数据中提取重要特征（如病灶）的方法，因为它能更好地进行泛化。我们提出了一种新颖的多任务框架，用于分类、分割、重建和检测。据我们所知，我们是第一个将检测添加到多任务解决方案中的研究者。此外，我们还检查了在分割任务中使用两种不同的骨干网络和不同的损失函数的可能性。

    Aug, 2023

  • ADA-YOLO: YOLOv8 和自适应头部的动态融合用于精确图像检测与诊断

    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

  • YOLO-MS：实时物体检测的多尺度表示学习再思考

    提供高效且表现良好的目标检测器 YOLO-MS, 基于对不同核大小的卷积如何影响不同尺度物体的检测性能进行一系列研究来实现。新的策略能够大大增强实时目标检测器的多尺度特征表示。在 MS COCO 数据集上训练的 YOLO-MS, 不依赖于其他大规模数据集或预训练权重，在相同参数和 FLOPs 数量下，优于最近的实时目标检测器，包括 YOLO-v7 和 RTMDet。

    Aug, 2023

  • UOLO - 生物医学图像中的自动目标检测与分割

    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

  • MONet：医学图像中的重复检测多尺度重叠网络

    针对生物医学图像中的错误操纵问题，我们提出一种多尺度重叠检测模型，该模型能够有效地检测生物医学图像中的重复区域，并显著提高了检测效率。

    Jul, 2022

  • 三重监督解码器网络用于联合检测和分割

    本文引入了 TripleNet 架构来优化联合目标检测和语义分割任务，通过采用三种不同的监督学习模块，在不增加额外计算开销的情况下提高了模型的精度。实验结果表明，TripleNet 可以有效提升联合目标检测和语义分割的准确性。

    Sep, 2018