LSM-YOLO：一种紧凑且有效的医学检测区域检测器

Aug, 2024

LSM-YOLO：一种紧凑且有效的医学检测区域检测器

LSM-YOLO: A Compact and Effective ROI Detector for Medical Detection

Zhongwen Yu, Qiu Guan, Jianmin Yang, Zhiqiang Yang, Qianwei Zhou...

TL;DR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。

Abstract

In existing medical Region of Interest (ROI) detection, there lacks an algorithm that can simultaneously satisfy both real-time performance and accuracy, not meeting the growing demand for automatic detection in medicine. Although the basic YOLO framework ensures real-time detection du

发现论文，激发创造

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

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

YOLO-OB：基于多尺度无锚点实时结肠肿瘤检测器的改进

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

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

使用 YOLO v7 在磁共振成像中检测肾脏：一种有监督对比学习

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

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

基于YOLO和Faster R-CNN的超声影像胆囊癌检测

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

CAF-YOLO：一种用于生物医学影像多尺度病变检测的稳健框架

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