改进了基于YOLO的肺结节检测,具有空间-SE注意力和视角比惩罚
Xinhang Song1, Haoran Xie1, Tianding Gao1
1College of Computer and Information Science & College of Software, Southwest University, Beibei District, Chongqing 400715, China.
Sensors (Basel, Switzerland)
|July 30, 2025
概括
这项研究引入了一种改进的YOLOV11框架,用于肺结节检测. 它增强了特征表示和局部化灵敏度,导致更准确的早期肺病诊断.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 准确的肺结节识别对于早期肺病诊断至关重要,但在特征表示和定位方面面临挑战.
- 使用频道注意力和 IoU 损失的现有方法往往忽视空间上下文和尺寸比变化,限制了小物体检测.
研究的目的:
- 通过改善特征表示和局部化灵敏度来增强肺结节检测.
- 通过引入新的注意力和损失功能组件来解决当前方法学的局限性.
主要方法:
- 一个改进的YOLOV11框架,包含一个空间挤压和激发 (SSE) 模块,用于增强通道智能和空间注意力.
- 整合明确的图像比率罚款IoU (EAPIoU) 损失以通过惩罚图像比率差异来完善界限框回归.
主要成果:
- 在Luna16数据集上,SSE模块的精度达到0.781.
- 在LungCT数据集上,EAPIoU损失提高了平均平均精度 (mAP@50) 到92.4%.
- 与最先进的方法相比,拟议的框架在LUNA16,LungCT和Node21数据集中显示出更高的精度,回忆和mAP.
结论:
- 整合空间意识注意力机制 (SSE模块) 和视角比敏感损失函数 (EAPIoU) 显著改善了肺结节检测.
- 增强的YOLOV11框架为准确的早期肺部疾病诊断提供了强大的和计算效率高的解决方案.
