一种用于肺癌目标检测和亚型分类的自动化诊断方法基于CT扫描

科学领域:

• 医学成像和人工智能 医学成像和人工智能
• 计算机视觉用于医疗保健

背景情况:

• 在识别小肺癌标时,YOLO V8算法面临着假阳性和错过检测的挑战.
• 精确检测小肺结节对于早期肺癌诊断和治疗计划至关重要.

研究的目的:

• 开发一个增强的YOLO V8检测模型,专门用于提高小肺癌目标检测的准确性.
• 解决现有模型关于特征表示,稳定性和小对象本地化方面的局限性.

主要方法:

• 将一个大型可分离的内核注意力机制集成到C2f模块中,以扩大信息检索.
• 加强脊柱的特征提取,增强部部分的多尺度特征相互作用.
• 在快速空间金字塔聚合模块中嵌入深度智能卷积和坐标注意力,并引入基于最小点距离的IOU损失.

主要成果:

• 与主流检测网络相比,增强的YOLO V8模型表现出优越的性能,实现了更高的平均精度值.
• 改进的网络在肺癌辅助诊断的准确性方面超过了其他分类网络.
• 实验验证证了增强的特征表示,稳定性和减少特征损失,从而提高了小目标的检测准确性.

结论:

• 提议的增强型YOLO V8模型显著改善了小肺癌点的定位和识别.
• 该模型的架构修改和新的损失功能有助于其在辅助肺癌诊断中的卓越性能.
• 这项研究为人工智能驱动的工具提供了有前途的进展,用于早期和准确的肺癌检测.