DVF-YOLO-Seg:一种两阶段的乳腺质量细分模型,具有增强的特征提取和小损伤检测
Halidanmu Abudukelimu1, Yuxin Gao1, Abudukelimu Abulizi1
1School of Information Management, Xinjiang University of Finance and Economics, Urumqi, China.
Digital health
|September 8, 2025
概括
这项研究介绍了DVF-YOLO-Seg,这是一个新的AI框架,用于改善乳腺损伤细分在乳房镜中. 它增强了小病变的检测,有助于早期查乳腺癌.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 由于复杂的解剖学和低对比度,在数字造乳镜中精确细分小乳腺病变是具有挑战性的.
- 现有的方法在精确定位和细微异常的划分方面扎.
研究的目的:
- 开发和评估DVF-YOLO-Seg,这是一个新的两阶段框架,用于增强小乳腺病变的检测和细分.
- 为了提高功能提取和乳房图像中病变检测性能.
主要方法:
- 该DVF-YOLO-Seg框架集成了一个增强的YOLOv10检测模块与视觉参考提示片段任何模型 (VRP-SAM) 细分阶段.
- 一个新的DualConv模块增强了特征表示,而Varifocal Loss解决了难以检测的病变的类失衡.
- 边界框提示通过VRP-SAM检测细分细分.
主要成果:
- 在乳房镜数据集上,DVF-YOLO-Seg实现了80.2%的子系数和80.6%的F1得分,超过了基线模型.
- 该框架显示,对于小于5毫米的病变,灵敏度有所提高.
- 废除研究验证了DualConv模块和多焦损失的有效性,临床医生评估的结果显示出更好的视觉一致性.
结论:
- DVF-YOLO-Seg显著提高了乳房小乳腺病变检测和细分在乳房镜中的准确性.
- 增强检测和基于提示的细分的结合方法为计算机辅助乳腺癌诊断提供了一个有前途的工具.
