使用混合YOLO和SAM的自动脑瘤细分方法
Paul Jeyaraj M1, Senthil Kumar M1
1Department of Electrical and Electronics Engineering, Syed Ammal Engineering College, Ramanathapuram, 623502, Tamilnadu, India.
Current medical imaging
|August 4, 2025
概括
这项研究引入了一种混合深度学习模型,将卷积神经网络 (CNN),YOLO和分段任何模型 (SAM) 结合起来,以使用MRI图像进行准确的早期脑瘤检测和诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 早期脑瘤检测对于有效的治疗和诊断至关重要.
- 深度学习模型提供了提高诊断准确性的潜力.
研究的目的:
- 提出和评估一种新的混合深度学习框架,用于早期脑瘤诊断.
- 整合卷积神经网络 (CNN),YOLO和分段任何模型 (SAM) 进行增强的瘤检测和细分.
主要方法:
- 开发了一个混合深度学习框架,将CNN与YOLOv11相结合,用于对象检测和SAM进行精确的细分.
- 通过更深层的卷积层来增强CNN的骨干,以实现强大的特征提取.
- YOLOv11局部化瘤区域,SAM通过面具生成精细化瘤边界.
主要成果:
- 该模型在896张MRI脑图像的数据集上进行了训练和验证,包括瘤和健康扫描.
- 基于CNN的YOLO+SAM方法成功地细分和诊断了脑瘤.
- 实现了高性能指标:94.2%的精度,95.6%的回忆率和96.5%的mAP50(B).
结论:
- 拟议的混合深度学习模型在早期脑瘤诊断方面表现出显著的有效性.
- 一项全面的废除研究验证了该模型的稳定性,表明它适合临床部署.
