换一批摘要针对原始YOLOv8 算法甲状腺结节检测精度低的问题,提出一种改进的YOLOv8 甲状腺结节检测算法.该算法通过在原始算法的基础上添加高效通道注意力(efficient channel attention,ECA))和选择性注意力(large selective kernel,LSK)模块,从不同的维度学习图像特征,更好地捕获甲状腺结节信息.引入空间金字塔多尺度特征融合(spatial pyramid pooling enhanced with elan,SPPELAN)模块并替换backbone中的快速空间金字塔池化(spatial pyra-mid pooling fast,SPPF),实现甲状腺结节中局部特征和全局特征的融合,准确地定位甲状腺结节.将双向特征金字塔网络(concatenated bidirectional feature pyramid network,Concat-BiFPN)应用于head层,使语义信息传递到不同的特征尺度上,以适应不同形状和尺寸的结节.将损失函数替换为Focal损失函数,有效解决了甲状腺结节检测中样本不平衡的问题.实验结果表明:改进的YOLOv8 算法在甲状腺结节检测中效果显著,精度均值提高了1.5%,召回率提高了2%,模型的参数量减少了 1.3%.
更多相关知识
DOI
10.19573/j.issn2095-0926.202404007
发布时间
2025-02-19（万方平台首次上网日期，不代表论文的发表时间）
基金项目
天津市科技特派员项目（22YDTPJC00330）
- 浏览3
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
