假YOLO:一种高效和轻量级的方法,用于自动脑瘤检测和细分
Liyan Sun1, Linxuan Zheng1, Yi Xin1
1College of Computer Science and Technology, Changchun University, No. 6543, Satellite Road, Changchun 130022, China.
Sensors (Basel, Switzerland)
|October 16, 2025
概括
这项研究介绍了FALS-YOLO,这是一个改进的轻量级模型,用于MRI扫描中脑瘤检测和细分. 它提高了准确性和效率,为资源有限的设置提供了实用的解决方案.
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:
- 大脑瘤对神经健康和生存构成重大威胁.
- 磁共振成像 (MRI) 对于脑瘤的诊断和治疗至关重要.
- 现有的基于YOLO的模型在脑瘤MRI分析中的多尺度特征提取和计算需求方面扎.
研究的目的:
- 开发一个改进的,轻量级的模型用于脑瘤检测和MRI图像中的实例细分.
- 解决现有模型在多尺度特征提取和计算效率方面的局限性.
主要方法:
- 拟议的FALS-YOLO模型基于YOLOv8n-Seg,包括FLRDown,AdaSimAM和LSCSHN模块.
- FLRDown增强了多尺度感知;AdaSimAM抑制了噪音并改善了特征融合;LSCSHN实现了高精度细分,参数减少.
- 在瘤-otak数据集上进行的实验.
主要成果:
- 在检测 (精度:0.892,回忆:0.858,mAP@0.5:0.912) 和细分 (精度:0.899,回忆:0.863,mAP@0.5:0.917) 方面,FALS-YOLO实现了高性能.
- 超过了YOLOv5n-Seg,YOLOv8n-Seg,YOLOv9s-Seg,YOLOv10n-Seg,以及YOLOv11n-Seg的表现. 这是一个很大的问题.
- 与YOLOv8n-Seg相比,FALS-YOLO的参数减少了31.95%,计算负载减少了20.00%,模型大小减少了32.31%.
结论:
- FALS-YOLO为自动脑瘤检测和实例细分提供了一种高效,准确和实用的解决方案.
- 该模型特别适用于具有有限计算资源的环境.
- 拟议的模块有效地提高了多尺度特征感知和细分精度,同时降低了计算负担.
