基于开放式对象检测的CT肺结节检测的Few-Shot学习
Lin-Meng Li1, Huan Zhang1, Hai-Tao Yu1
1Department of Radiology, Aerospace Center Hospital, Beijing, 100049, China.
Current medical science
|November 13, 2025
概括
一个新的几次射击学习模型显著提高了CT扫描中肺结节检测的准确性. 这种模型比现有方法需要的训练样本和时代更少,在精度,回忆和mAP方面表现出卓越的性能.
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:
- 肺结节的检测对于早期肺癌诊断至关重要.
- 当前的深度学习模型通常需要大量的注释数据集,这限制了它们的应用.
研究的目的:
- 开发一个用于CT图像中检测肺结节的几次射击学习模型.
- 为了提高效率,利用视觉开放式对象检测技术.
主要方法:
- 使用2016年肺结节分析 (LUNA16) 数据集进行培训和测试.
- 比较经典的你只看一次 (YOLO) 模型与先进的开放式模型,如接地DINO和开放词汇DINO (OV-DINO).
- 开发和评估了一种与已建立的基准相对应的新型几次射击学习模型.
主要成果:
- YOLO模型的峰值精度,回忆和mAP分别为82.8%,73.1%和77.4%.
- OV-DINO的回忆能力高于YOLO,但在精度或mAP方面没有显著优势.
- 提出的几次射击模型的性能优于YOLO和OV-DINO,达到89.4%的精度,96.2%的回忆率和87.7%的mAP,训练数据和时代减少.
结论:
- 开发的少数镜头学习模型展示了增强的场景传输能力.
- 它需要少得多的训练样本和时代,以有效检测肺结节.
- 该模型显示,CT图像中肺结节检测的准确性得到了显著改善.


