基于Mamba架构的胰腺囊性瘤的深度学习检测方法
Junlong Dai1, Cong He1, Liang Jin2
1School of Health Science and Engineering, University of Shanghai for Science and Technology, Shanghai, China.
Journal of X-ray science and technology
|February 20, 2025
概括
新的M-YOLO深度学习模型通过结合Mamba和YOLOv10架构显著改善了胰腺囊性新生瘤 (PCN) 的早期检测. 这一进步有助于识别复杂的瘤特征,以改善患者的治疗结果.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 深度学习用于瘤学
背景情况:
- 胰腺囊性瘤 (PCN) 的早期诊断对于改善患者存活率至关重要.
- 由于PCN在医学图像中的复杂形态特征,检测PCN具有挑战性.
研究的目的:
- 介绍M-YOLO,这是一个新的深度学习模型,集成了Mamba架构和YOLOv10.
- 使用先进的人工智能提高PCN检测的准确性和效率.
主要方法:
- 开发了M-YOLO (Mamba YOLOv10),是一种混合深度学习网络.
- 利用Mamba的序列建模在医学图像中的上下文信息.
- 利用YOLOv10进行快速物体检测,以确保临床可行性.
主要成果:
- M-YOLO实现了高性能指标:灵敏度为0.98,特异性为0.92,精度为0.96,F1得分为0.97,准确度为0.93.
- 该模型在50%的IOU值下显示了0.96的平均平均精度 (mAP).
- 结果在长海医院的数据集上得到验证.
结论:
- M-YOLO有效地提高了PCN识别性能.
- 该模型将Mamba的深度特征提取与YOLOv10的快速定位集成在一起.
- 这种整合为早期和准确的PCN诊断提供了有前途的工具.
