LSM-YOLO：医学检测用紧凑且高效 ROI 检测器
计算机视觉与模式识别
2024-08-27 v1
摘要
现有医学区域 of interest (ROI) 检测算法难以同时满足实时性能与准确性，对自动化医学检测的日益增长需求而言不足。虽然基础 YOLO 框架因其快速速度确保了实时检测，但仍面临在保持精度方面的挑战。为缓解上述问题，我们提出一种新型模型，称为轻量 shunt matching-YOLO (LSM-YOLO)，集成 Lightweight Adaptive Extraction (LAE) 与 Multipath Shunt Feature Matching (MSFM)。首先，运用 LAE 优化特征提取，模型可从多尺度特征图中获取更丰富的上下文信息与高分辨率细节，从而在降低噪声干扰的同时提取 ROI 的详细特征。其次，采用 MSFM 进一步优化高层语义特征与低层视觉特征的融合，实现 ROI 特征与相邻特征间的更好融合，提高检测率，为诊断辅助提供支持。实验结果表明，LSM-YOLO 在胰腺肿瘤私有数据集上达到 48.6% AP，在 BCCD 血细胞检测公开数据集上达到 65.1% AP，在 Br35h 脑肿瘤检测公开数据集上达到 73.0% AP。该模型在上述三个数据集上以最小参数代价实现了最先进的性能。源码地址：https://github.com/VincentYuuuuuu/LSM-YOLO。
引用
@article{arxiv.2408.14087,
title = {LSM-YOLO: A Compact and Effective ROI Detector for Medical Detection},
author = {Zhongwen Yu and Qiu Guan and Jianmin Yang and Zhiqiang Yang and Qianwei Zhou and Yang Chen and Feng Chen},
journal= {arXiv preprint arXiv:2408.14087},
year = {2024}
}