使用YOLO深度学习方法检测脑肿瘤(国外文献)

脑肿瘤是异常细胞的集合，可以发展成肿块或簇。因为它们有可能渗透到其他组织中，所以它们对患者构成风险。使用的主要成像技术MRI可能能够准确地识别脑肿瘤。大量的训练数据和模型构建的改进促进了用于计算机视觉应用的深度学习方法的快速发展，这些改进在监督环境中提供了更好的近似。对这些方法的需求一直是这种扩展的主要驱动力。深度学习方法在提高使用磁共振成像（MRI）进行脑肿瘤检测和分类的精度方面显示出前景。本摘要介绍了使用深度学习技术，特别是ResNet50进行脑肿瘤鉴定的研究。因此，本研究调查了使用深度学习技术自动化检测程序的可能性。在这项研究中，我使用了五个迁移学习模型，即VGG16，VGG19，DenseNet121，ResNet50和YOLO V4，其中ResNet50提供了最佳或最高的99.54%准确率。该研究的目标是通过这种评估和分析，通过采用深度学习方法，指导研究人员和医疗专业人员建立强大的脑肿瘤检测系统。
 

脑肿瘤检测是医学成像的一个重要组成部分，对于诊断和管理与大脑相关的疾病至关重要。在传统的肿瘤识别技术中，人工检查医学图像既耗时又容易出现人为错误[1]。然而，深度学习方法的快速发展，特别是在计算机视觉领域的快速发展，为脑肿瘤[2]的自动、精确诊断创造了新的机遇。卷积神经网络(cnn)是一种深度学习算法，在目标检测和分割[3]等图像分析任务中表现出令人震惊的性能。研究人员一直在利用深度学习[4]的能力，研究这些方法从磁共振成像(MRI)数据中识别和分类脑肿瘤的可能性。研究人员正在投入大量精力构建能够正确识别和分类脑肿瘤的cnn，以及其他形式的医学成像，以提高医学诊断和治疗结果。考虑到这种潜力，研究人员正在努力构建cnn[5]。深度学习的好处是它可以直接从未处理的数据中学习复杂的、分层的特征，消除了对显式基于规则的方法或手工设计的特征[6]的需要。特别是卷积神经网络用于捕