MDE-YOLO:边缘感知多尺度融合轻量高精度模型用于宫细胞检测

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 在瘤学瘤学.

背景情况:

• 宫癌是女性癌症死亡的主要原因,因此早期诊断至关重要.
• 传统的物体检测方法在医疗图像中与边缘信息和细节性能作斗争.
• 精确检测宫细胞对于及时诊断和治疗计划至关重要.

研究的目的:

• 为精确的宫细胞识别提出一个改进的物体检测方法.
• 通过使用深度学习,提高宫图像中宫细胞标的检测性能.
• 为了减少宫细胞分析中的错误检测和错过检测率.

主要方法:

• 开发了MDE-YOLO,这是一个基于YOLOv11n.n的增强物体检测模型.
• 引入了多尺度特征聚变金字塔网络 (MSFFPN) 以改进尺度检测.
• 整合了一个共享的细节增强检测头 (SDEDH),用于更高级的细节处理.
• 实施了边缘增强的融合干 (EEFStem) 模块,以提高细胞轮识别.

主要成果:

• 在宫细胞检测数据集上,MDE-YOLO在mAP50上达到80.1%,比YOLOv11n.有2.6%的改进.
• 在具有较高噪音和检测难度的具有挑战性的数据集上,MDE-YOLO表现出卓越的性能.
• 该模型的参数比YOLOv11n少24.5%,表明效率有所提高.
• 在比较检测器数据集上,MDE-YOLO显示了mAP50 (3.0%) 和mAP50-95 (1.6%) 的显著改善.

结论:

• 与标准YOLO模型相比,MDE-YOLO在宫细胞检测方面提供了更高的准确性和稳定性.
• 拟议的模型有效地减少了宫细胞图像中的错误和错过检测率.
• MDE-YOLO显示出有前途的应用前景,用于改善宫癌的早期诊断.