基于改进YOLOv8的脑肿瘤检测模型

摘要

为应对磁共振成像(MRI)中形态复杂和边界不规则的脑肿瘤检测，提出一种改进的YOLOv8模型TumorNet-YOLO。该模型通过三项创新模块提升检测性能：自适应感受野卷积模块增强多尺度肿瘤特征的提取能力，降低漏检率；分割融合卷积模块通过多尺度特征融合，增强浅层和深层特征的协同作用；可变形融合模块优化对不规则肿瘤区域的检测，提升模型在复杂MRI背景下的鲁棒性。实验结果表明，TumorNet-YOLO在脑肿瘤检测数据集Br35H中表现优异，平均精度均值mAP@0.5为96.6%,mAP@0.5∶0.95为73.8%。此外，模型计算量(GFLOPs)为8.6,显著优于现有方法。为了验证模型的泛化能力，在BCCD和BTOD数据集上进行了对比实验，结果显示TumorNet-YOLO在mAP@0.5和mAP@0.5∶0.95等多个指标上超越了YOLOv8n,表明TumorNet-YOLO可为脑肿瘤检测和医学图像分析提供更为有效的解决方案。

关键词

脑肿瘤检测 / 医学影像分析 / YOLOv8 / 自适应感受野

基金资助

辽宁省教育厅高等学校基本科研项目(JYTMS20230189); 沈阳理工大学引进高层次人才科研支持计划项目(1010147001131)