转移学习驱动的YOLOv10微调,以改善MRI图像中的脑瘤检测
Govind Ram Chhimpa1, Shivam Awasthi2, Neha Bhati3
1Department of Internet of Things and Intelligent Systems, Manipal University Jaipur, Jaipur, 303007, Rajasthan, India.
Scientific reports
|December 1, 2025
概括
这项研究微调了YOLOv10对象检测模型,用于使用转移学习识别脑瘤. 改进后的模型实现了96.1%的平均精度,提高了医学成像分析的准确性.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的深度学习
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 从医学成像中准确识别脑瘤对于早期诊断和治疗计划至关重要.
- 手动分析MRI扫描是耗时且容易出现错误的,需要自动化解决方案.
- 深度学习为高效和精确的自动化医疗图像分析提供了潜力.
研究的目的:
- 增强对象检测模型,以准确识别脑瘤.
- 为了证明深度学习技术在医学成像中的有效性.
- 为临床应用适应最先进的物体检测架构.
主要方法:
- 微调了YOLOv10对象检测架构.
- 通过使用COCO数据集参数初始化转移学习.
- 在一个专门的脑瘤数据集上训练模型.
主要成果:
- 微调的YOLOv10模型实现了96.1%的平均平均精度 (mAP).
- 该模型在脑瘤检测方面表现出96.8%的精度.
- 性能超过了基线YOLOv10模型,尤其是有限的数据.
结论:
- 转移学习对于具有稀缺数据集的医学成像任务是有效的.
- 现代物体检测模型可以成功地适应专门的临床任务.
- 这种方法对推进医疗保健中的计算机辅助诊断具有前景.
关键词:
脑瘤检测 脑瘤检测 脑瘤检测深度学习是一种深度学习.边缘AI 边缘AI核磁共振成像 (MRI) 分析分析医学诊断 医学诊断 医学诊断医学成像医学成像实时推理推理实时推理转移学习转移学习这就是YOLOv10的意义.更多相关视频
10:48PET and MRI Guided Irradiation of a Glioblastoma Rat Model Using a Micro-irradiator
Published on: December 28, 2017
9.9K
12:50Lesion Explorer: A Video-guided, Standardized Protocol for Accurate and Reliable MRI-derived Volumetrics in Alzheimer's Disease and Normal Elderly
Published on: April 14, 2014
40.8K
相关概念视频
02:07Improving Translational Accuracy
14.0K
Base complementarity between the three base pairs of mRNA codon and the tRNA anticodon is not a failsafe mechanism. Inaccuracies can range from a single mismatch to no correct base pairing at all. The free energy difference between the correct and nearly correct base pairs can be as small as 3 kcal/ mol. With complementarity being the only proofreading step, the estimated error frequency would be one wrong amino acid in every 100 amino acids incorporated. However, error frequencies observed in...
14.0K
02:07Improving Translational Accuracy
3.5K
3.5K