LSM-YOLO:一种紧凑且有效的医学检测区域检测器
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
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
本论文提出了一种名为YOLO-OB的新模型,通过双向多尺度特征融合结构和基于中心的无锚框回归策略,显著提高了息肉检测的各项性能指标,尤其是召回率,同时实现了基于RTX3090图形卡的实时息肉检测(每秒39帧)。
Dec, 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
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
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
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
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。
Aug, 2024