MedYOLO：一种医学图像目标检测框架
图像与视频处理
2024-06-10 v2 计算机视觉与模式识别
机器学习
摘要
在医学影像中，人工智能增强的器官、病变和其他结构识别通常使用卷积神经网络（CNN）来完成，这些网络旨在对感兴趣区域进行体素级精确分割。然而，训练这些CNN所需的标签生成耗时，且需要领域专家关注以确保质量。对于不需要体素级精度的任务，目标检测模型提供了一种可行的替代方案，可以减少标注工作量。尽管有这种潜在应用，但可用于三维医学成像的通用目标检测框架却很少。我们报告了MedYOLO，这是一个使用YOLO模型系列的单次检测方法并专为医学成像设计的3D目标检测框架。我们在四个不同的数据集上测试了该模型：BRaTS、LIDC、一个腹部器官计算机断层扫描（CT）数据集和一个心电门控心脏CT数据集。我们发现，即使没有超参数调优，我们的模型在常见的中型和大型结构（如心脏、肝脏和胰腺）上也实现了高性能。然而，该模型在处理非常小或罕见的结构时表现不佳。
引用
@article{arxiv.2312.07729,
title = {MedYOLO: A Medical Image Object Detection Framework},
author = {Joseph Sobek and Jose R. Medina Inojosa and Betsy J. Medina Inojosa and S. M. Rassoulinejad-Mousavi and Gian Marco Conte and Francisco Lopez-Jimenez and Bradley J. Erickson},
journal= {arXiv preprint arXiv:2312.07729},
year = {2024}
}
备注
J Digit Imaging. Inform. med. (2024)