应用MRI图像分割算法用于基于改进的YOLO脑瘤的脑瘤
Tao Yang1, Xueqi Lu2, Lanlan Yang1
1The First Clinical Medical College, The Affiliated People's Hospital of Fujian University of Traditional Chinese Medicine, Fuzhou, Fujian, China.
Frontiers in neuroscience
|January 22, 2025
概括
这项研究优化了YOLOv5s深度学习模型,用于MRI扫描中的脑瘤细分. YOLOv5s-ASPP模型展示了卓越的性能,提高了临床应用的诊断能力.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经瘤学神经瘤学
背景情况:
- 在磁共振成像 (MRI) 中精确细分脑瘤对于诊断和治疗计划至关重要.
- 深度学习模型为自动化和提高这一过程的速度和准确性提供了潜力.
研究的目的:
- 调查YOLOv5s深度学习算法的可行性,用于MRI中的脑瘤细分.
- 优化和增强YOLOv5s模型,以改善细分检测和大脑瘤类型的临床识别.
主要方法:
- 使用了两个公开的Kaggle数据集 (脑膜瘤和质瘤),包括3439张MRI图像.
- 从数据集1中注释了3000张图像用于培训/验证 (7:3比);使用剩余的图像和数据集2作为测试集.
- 优化了YOLOv5s模型,结合了Atrous空间金字塔聚合 (ASPP),卷积块注意模块 (CBAM) 和坐标注意 (CA),创建了YOLOv5s-ASPP.等版本.
- 在100个时代中训练了原始YOLOv5s,五个优化的变体和YOLOv8s模型,在测试机组上评估性能.
主要成果:
- 所有七种模型都成功地对脑瘤的MRI图像进行了细分和识别.
- 在验证组中,YOLOv5s-ASPP模型实现了93.5%的精度和85.3%的回忆.
- 在测试组中,优化的YOLOv5s-ASPP模型在图像细分能力方面显著超过了原始YOLOv5s模型.
结论:
- 与原始YOLOv5s相比,YOLOv5s-ASPP模型显示大脑瘤MRI细分能力显著增强.
- 这种改进的模型有助于协助临床诊断和脑瘤治疗规划.


