基于YOLO-D的前列腺区域自动检测和细分的研究
Xiaodong Wang1, Rui Feng2, Chen Xu3
1Department of Medical Information Engineering, Kangda College of Nanjing Medical University, Lianyungang, China.
概括
我们开发了YOLO-D,这是一个改进的YOLOv8模型,可以在MRI图像中准确地检测和分割前列腺区域. 这种方法提高了几何特征捕获和定位准确度,以便更好地进行临床分析.
科学领域:
- 医学成像医学成像
- 人工智能的人工智能是人工智能.
- 计算机视觉 计算机视觉 计算机视觉
背景情况:
- 在MRI图像中准确识别前列腺区域对于诊断和治疗至关重要.
- 传统的YOLO模型与复杂的前列腺几何形状作斗争.
- 空间特征提取和静态聚焦机制存在局限性.
研究的目的:
- 增强前列腺MRI图像检测和细分.
- 解决YOLO模型的空间特征提取和聚焦机制的局限性.
主要方法:
- 拟议的YOLO-D是一个增强的YOLOv8模型.
- 集成可变形卷积 (DConv) 改进了几何适应性.
- 使用的Wise-IoU损失用于动态聚焦和增强本地化.
主要成果:
- 在前列腺X数据集上,YOLO-D实现了94.7%的检测AP和91.1%的细分AP.
- 在精度,回忆和F1得分方面,与基线YOLOv8相比,表现优越.
- 实现了93.4%的精度和91.2%的检测回忆;90.7%的精度和88.6%的细分回忆.
结论:
- YOLO-D为前列腺区域自动分析提供了强大的解决方案.
- 集成DConv和Wise-IoU显著提高了性能.
- 在实时临床成像应用中显示出前途.
