CAF-YOLO：面向生物医学影像中多尺度病灶检测的稳健框架
计算机视觉与模式识别
2024-08-06 v1
摘要
对象检测在生物医学图像分析中至关重要，尤其是用于病灶识别。虽然当前方法在识别和定位病灶方面都很专业，但往往缺乏检测微小生物医学实体（如异常细胞、直径小于3毫米的肺结节）所需的精度，这些实体在血液和肺病理学中至为关键。为此，我们提出了基于YOLOv8架构的CAF-YOLO，一种用于医学目标检测的轻便且稳健的方法，利用卷积神经网络（CNN）和变换器的优势。为克服卷积核受限于远距离信息交互的局限性，我们引入了注意力与卷积融合模块（ACFM）。该模块增强了全局和局部特征的建模，使能够捕捉长期特征依赖性和空间自相关。此外，为改善变换器架构中前馈网络（FFN）固有的单尺度特征聚合限制，我们设计了多尺度神经网络（MSNN）。该网络通过在不同尺度上提取特征，提高了多尺度信息的聚合。在广泛使用的BCCD和LUNA16数据集上的实验评估验证了CAF-YOLO的合理性和有效性。该方法在生物医学影像中检测和精确定位多样化且复杂的微小病灶方面表现出色。我们的代码已公开于https://github.com/xiaochen925/CAF-YOLO。
引用
@article{arxiv.2408.01897,
title = {CAF-YOLO: A Robust Framework for Multi-Scale Lesion Detection in Biomedical Imagery},
author = {Zilin Chen and Shengnan Lu},
journal= {arXiv preprint arXiv:2408.01897},
year = {2024}
}