CAF-YOLO:一种用于生物医学影像多尺度病变检测的稳健框架
通过使用小规模的医学图像体积样本来智能地从剩下的样本中挖掘出存在的缺失标注,我们提出了一个强大的系统来从DeepLesion数据集中高精度地提取缺失的病变。
Jan, 2020
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
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
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
该论文介绍了一种新颖的BGFG-YOLO架构,通过将Bi-level Routing Attention(BRA)、Generalized feature pyramid networks(GFPN)、Forth detecting head和Generalized-IoU(GIoU)bounding box regression loss结合到YOLOv8中,实现了对自动脑肿瘤检测的高准确性。实验结果显示,与YOLOv8x相比,BGFG-YOLO在脑肿瘤检测数据集Br35H上的mAP50绝对增加了3.4%,达到了state-of-the-art水平。
Sep, 2023
通过神经网络和特定训练模型,针对小型脑转移瘤的检测和分割问题进行研究,提高了检测性能并参与了2023年ASNR-MICCAI BraTS脑转移瘤挑战。
Oct, 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
本研究针对现有医学区域检测中缺乏同时满足实时性和准确性的算法问题,提出了一种新模型LSM-YOLO。通过轻量适应性特征提取和多路径分流特征匹配,该模型显著提高了医学图像中感兴趣区域的检测率,尤其在胰腺肿瘤、血细胞和脑肿瘤的检测中表现出色,验证了其在医学自动检测中的有效性。
Aug, 2024