YOLOv11-MFF:一个多尺度的频率适应融合网络,用于增强CXR异常检测

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:

• 胸部X射线 (CXR) 对于诊断胸部疾病至关重要,但检测微妙的病变仍然具有挑战性.
• 现有的计算机辅助诊断 (CADx) 方法与表现为模两可的边界,低像素占用率和弱对比度的病变作斗争,经常忽视背景噪音和形态变异.

研究的目的:

• 开发一个增强的YOLOv11网络,称为YOLOv11-MFF,以解决胸部X射线中检测微妙和复杂病变的局限性.
• 提高基于AI的CXR异常检测的准确性和稳定性.

主要方法:

• 引入了一种新的频率自适应混合门 (FAHG),以增强损伤和背景之间的对比差异化.
• 集成了一个多尺度并行大卷积 (MSPLC) 块,以扩大受体场并改进远程依赖模型.
• 整合了功能融合 (FF) 模块,用于通道智能调制和重新校准,以加强与目标相关的功能.

主要成果:

• YOLOv11-MFF网络在检测多尺度和重叠病变方面取得了显著的改进.
• 与VinDr-CXR数据集上最先进的模型相比,实现了更高的性能.
• 报告的精度为48.2%,回忆率为42.5%,mAP@0.5为41.5%,mAP@0.5:0.95为22.6%.

结论:

• YOLOv11-MFF有效地解决了胸部X射线异常检测方面的挑战,特别是微妙和复杂的病变.
• 在特征提取和融合方面提出的创新有助于提高胸部成像诊断的准确性.
• 这种先进的AI模型显示了改善临床实践中计算机辅助诊断的巨大潜力.