基于改进 YOLOv8 的脑肿瘤识别
计算机视觉与模式识别
2025-04-29 v2 机器学习
摘要
确定脑肿瘤的范围是脑癌治疗中的一项重大挑战。主要困难在于肿瘤大小的近似检测。磁共振成像（MRI）已成为一种关键的诊断工具。然而，从 MRI 扫描中手动检测脑肿瘤边界是一项劳动密集型任务，需要广泛的专业知识。深度学习和计算机辅助检测技术已为此目的在机器学习领域带来了显著进展。本文提出了一种改进的 You Only Look Once（YOLOv8）模型，以准确检测 MRI 图像中的肿瘤。所提出的模型在检测头中用 Real-Time Detection Transformer（RT-DETR）替换了 Non-Maximum Suppression（NMS）算法。NMS 过滤掉检测到的肿瘤中冗余或重叠的边界框，但它们是手工设计并预设的。RT-DETR 移除了手工设计的组件。第二项改进是用 Ghost Convolution 替换了普通卷积块。Ghost Convolution 降低了计算和内存成本，同时保持高精度并实现更快的推理，使其成为资源受限环境和实时应用的理想选择。第三项改进是在 YOLOv8 的主干网络中引入 Vision Transformer 块，以提取上下文感知特征。我们在所提出的模型中使用了公开可用的脑肿瘤数据集。所提出的模型性能优于原始 YOLOv8 模型，也优于其他目标检测器（Faster R-CNN、Mask R-CNN、YOLO、YOLOv3、YOLOv4、YOLOv5、SSD、RetinaNet、EfficientDet 和 DETR）。所提出的模型达到了 0.91 mAP（平均精度均值）@0.5。
引用
@article{arxiv.2502.03746,
title = {Brain Tumor Identification using Improved YOLOv8},
author = {Rupesh Dulal and Rabin Dulal},
journal= {arXiv preprint arXiv:2502.03746},
year = {2025}
}