RepSE-CBAMNet:用于大脑瘤检测的混合注意力增强CNN
Farhan Khan1, Gerasimos Katsagannis1, Sandeep Singh Sengar1
1School of Technologies, Cardiff Metropolitan University, United Kingdom.
Studies in health technology and informatics
|May 17, 2025
概括
这项研究引入了一种增强的YOLO架构,用于改进脑瘤检测. 这种新型模型整合了注意力机制和残留障碍,提高了诊断准确度,以获得更好的患者结果.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 有效的脑瘤检测对于及时诊断和治疗至关重要,直接影响患者的生存率和生活质量.
- 目前的检测方法在医疗图像中准确识别复杂瘤特征方面面临挑战.
- 集成先进的深度学习架构对于提高诊断精度至关重要.
研究的目的:
- 介绍一个增强的YOLO (You Look Only Once) 架构,专门设计用于改进大脑瘤检测.
- 通过结合卷积块注意模块 (CBAM),挤压激发区块 (SE) 和残留区块,显著提高检测准确度.
- 为支持神经瘤学临床决策提供一个强大而有效的工具.
主要方法:
- 开发了一个增强的YOLO架构,集成CBAM,SE块和剩余块,用于特征提取和注意.
- 用CBAM来关注医疗图像中的关键空间和通道智能特征.
- 通过强调重要的道,SE块被用来增强特征表示,而剩余块则解决了消失梯度的问题.
主要成果:
- 改进的模型在一个脑瘤数据集上显示了显著的精度和AP50:95的改进.
- 与RepVGG-GELAN,YOLOv9c,RCS-YOLO和Yolov5L.等既定模型相比,该架构显示出具有竞争力的性能.
- 注意力机制和高效阻断的整合导致了优越的特征学习和检测能力.
结论:
- 提议的增强YOLO架构为大脑瘤检测提供了有希望的进步.
- 该模型的提高准确性支持更可靠的诊断,并有可能增强临床决策.
- 公共可用的代码有助于进一步的研究和应用在医学图像分析.