CAF-YOLO：一种用于生物医学影像多尺度病变检测的稳健框架

Aug, 2024

CAF-YOLO：一种用于生物医学影像多尺度病变检测的稳健框架

CAF-YOLO: A Robust Framework for Multi-Scale Lesion Detection in Biomedical Imagery

Zilin Chen, Shengnan Lu

TL;DR本研究旨在解决当前生物医学影像分析中病变识别准确度不足的问题，尤其针对小于3毫米的微小病变。提出的CAF-YOLO方法结合卷积神经网络和变换器的优点，通过引入注意力与卷积融合模块及多尺度神经网络，显著提升了微小病变的检测和定位能力。实验结果表明，该方法在BCCD和LUNA16等数据集上的表现优异，具有广泛的应用潜力。

Abstract

Object detection is of paramount importance in biomedical image analysis, particularly for lesion identification. While current methodologies are proficient in identifying and pinpointing lesions, they often lack the precision needed to detect minute biomedical entities (e.g., abnormal cells, lung nodules smaller than 3 mm), which are critical in blood and l

发现论文，激发创造

病变收割者：大规模迭代挖掘未标记的病变和难负样本

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

利用物体检测技术实现肺癌识别

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

RCS-YOLO: 快速高准确率的脑肿瘤检测物体探测器

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

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

BGF-YOLO: 基于多尺度注意力特征融合的改进 YOLOv8 用于脑肿瘤检测

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

所有尺寸都重要：改善小型病变的体积性脑分割

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

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

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-MED：生物医学图像的多任务交互网络

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

LSM-YOLO：一种紧凑且有效的医学检测区域检测器

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