在使用基于YOLO的算法与CBAM注意力机制的儿童支气管镜图像中增强对象检测
Jianqi Yan1,2, Yifan Zeng2, Junhong Lin3
1Faculty of Innovation Engineering, Macau University of Science and Technology, Avenida Wai Long, Taipa, 999078, Macau.
Heliyon
|July 18, 2024
概括
这项研究通过将卷积块注意力模块 (CBAM) 与YOLO物体检测模型集成来增强支气管镜镜像分析. 改进的系统准确地识别支气管中的解剖特征,帮助医疗专业人员.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 呼吸系统医学 呼吸系统医学
背景情况:
- 支气管镜检查对于诊断呼吸道疾病,如感染和瘤至关重要.
- 在支气管镜镜检查中可视化支气管的解剖学可能是具有挑战性的,因为它具有大量的工件和复杂性.
- 准确识别支气管结构对于有效的诊断和治疗至关重要.
研究的目的:
- 为了提高支气管镜镜像中物体检测的准确性.
- 将基于YOLO的对象检测算法与CBAM注意力机制集成在一起.
- 为了增强支气管树内关键解剖特征的识别.
主要方法:
- 在YOLO-V7和YOLO-V8物体检测架构中实现了CBAM注意模块.
- 对比了YOLO-V5,YOLO-V7和YOLO-V8在支气管镜图像数据集上的性能.
- 通过使用平均平均精度 (mAP) 和交叉点在联盟 (IoU) 等指标评估了对象检测性能.
主要成果:
- 在0.5.5的IOU值下,YOLO-V8模型实现了87.09%的mAP.
- 将CBAM注意模块集成到YOLO-V8中显著提高了性能,实现了88.27%的mAP.
- 拟议的方法在检测支气管镜图像中的物体方面表现出更高的准确性和可靠性.
结论:
- 将CBAM注意力机制与YOLO算法相结合,显著改善了支气管镜检测中的对象检测.
- 这种方法为增强呼吸道诊断中的医学成像分析提供了显著的潜力.
- 这项研究为优化临床环境中对象检测的注意力机制提供了宝贵的见解.
