轻量级的肺结节检测模型与多维注意力卷积模型相结合
He-He Huang1, Yuetao Zhao1, Sen-Yu Wei2
1Ocean College, Jiangsu University of Science and Technology, Zhenjiang 212100, China.
Current medical imaging
|January 6, 2025
概括
这项研究引入了一种改进的YOLOv5s模型,用于早期检测肺癌. 新模型提高了检测肺结节的准确性和速度,这对于改善患者存活率至关重要.
科学领域:
- 医疗成像中的人工智能
- 深度学习用于癌症检测
- 计算机辅助诊断系统 计算机辅助诊断系统
背景情况:
- 早期发现肺结节对于改善肺癌存活率至关重要.
- 目前的卷积神经网络 (CNN) 模型在准确性较低和检测小结块方面存在困难.
- 现有的精确的CNN模型在计算上昂贵,需要高硬件规格.
研究的目的:
- 开发一种新的肺结节检测模型.
- 为了在结节检测中实现高精度和实时性能.
- 为了促进肺癌的有效及时诊断.
主要方法:
- 修改了YOLOv5s架构,结合了C3_ODC模块,为增强的特征提取提供了多维关注.
- 开发了一个GS-BiFPN结构,使用轻量卷积和加权的BiFPN来改进多尺度特征融合和参数减少.
- 优化了损失函数,使用焦点损失来解决类不平衡和正常化的瓦瑟斯坦距离 (NWD) 来增强小结的检测.
主要成果:
- 与YOLOv5s.相比,拟议的模型在平均精度上有8.7%的改进.
- 在模型参数方面实现了5.4%的降低,在浮点运算方面降低了8.2%.
- 通过每秒116.7的处理速度,实现了实时性能.
结论:
- 开发的模型有效地平衡了高检测精度和实时处理要求.
- 这一进步为临床环境中及时准确检测肺结节提供了一个有希望的解决方案.
