1.LAE介绍
1.1 摘要:在现有的医学感兴趣区域(ROI)检测算法中,缺乏一种能同时满足实时性和准确性的算法,不能满足医学自动检测的需求。虽然基本的YOLO框架由于其快速的速度而确保了实时检测,但它仍然面临着同时保持精度的挑战。针对上述问题,提出了一种基于轻量级自适应提取(LAE)和多路径分流特征匹配(MSFM)的轻量级分流匹配-YOLO(LSMYOLO)模型。首先,该模型利用LAE对特征提取进行细化,从多尺度特征图中获取更多的上下文信息和高分辨率细节,从而在提取医学图像感兴趣区域细节特征的同时,降低了噪声的影响。其次,利用MSFM进一步细化高层语义特征和低层视觉特征的融合,使感兴趣区域特征与邻近特征更好地融合,从而提高检测率,更好地辅助诊断。实验结果表明,LSM-YOLO在胰腺肿瘤的私有数据集上达到48.6%的AP,在BCCD血细胞检测公共数据集上达到65.1%的AP,在Br 35 h脑肿瘤检测公共数据集上达到73.0%的AP。我们的模型在上述三个数据集上以最小的参数成本实现了最先进的性能。
官方论文地址: