在YOLOv11n中使用梯度积累和损失重量调整进行增强的血液细胞检测
1The Affiliated Brain Hospital, Nanjing Medical University, Nanjing 210029, China.
Bioengineering (Basel, Switzerland)
|November 27, 2025
概括
这项研究优化了YOLOv11n模型用于自动化血细胞检测,显著提高了血液病的诊断准确性. 改进后的模型能够高效地处理复杂的细胞图像,帮助及时进行医疗干预.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 血液学 血液学 血液学
背景情况:
- 自动化血细胞检测对于诊断血液病至关重要.
- 目前的方法面临的挑战是密集,重叠的细胞和图像工件.
- 人工智能的进步可以提高诊断速度和准确性.
研究的目的:
- 优化YOLOv11n模型,以改善临床图像中的血细胞检测.
- 为了提高自动化血液学诊断的准确性和效率.
- 解决当前自动化细胞检测系统的局限性.
主要方法:
- 优化了YOLOv11n模型,使用梯度积累和损失重量.
- 在临床血液细胞图像上评估模型性能.
- 进行了废弃实验,以验证技术贡献.
主要成果:
- 优化的YOLOv11n模型实现了高性能:mAP50的0.9356和mAP50-95的0.6620.
- 与现有方法相比,证明了更高的精度和回忆力.
- 成功解决了密集细胞分布,重叠和文物等问题.
结论:
- 优化的YOLOv11n模型为自动化血细胞检测提供了显著的改进.
- 梯度积累和损失重量表现出协同效应,提高了准确性,没有计算开销.
- 该模型显示了在血液学工作流程中实时临床集成的强大潜力.


