Yolo-c2ecasa：一种用于MRI中三类脑肿瘤定性和分类的轻量级注意力增强模型

《Physical and Engineering Sciences in Medicine》：Yolo-c2ecasa: a lightweight attention-enhanced model for three-class brain tumor localization and classification in MRI

　　

摘要

脑肿瘤定位与类型分类是计算机辅助医学图像分析中的重要任务。然而，使用轻量级模型实现具有竞争力的定位和分类性能仍然具有挑战性，因为降低模型复杂度可能会削弱特征表示和定位能力。本文提出了 YOLO-C2ECASA，这是一个基于 YOLOv11 的轻量级注意力增强目标检测框架，用于肿瘤阳性 MRI 图像中的三类肿瘤定位和分类。本研究专注于胶质瘤、脑膜瘤和垂体瘤，不涉及肿瘤与非肿瘤的筛查。提出的 C2ECASA 模块用一个参数高效的空域 - 通道注意力机制替代了原有的自注意力设计。它集成了改进的通道注意力、轻量级空间注意力、基于 C2 的特征保持和自适应融合，以有限的计算成本增强病变相关特征表示。所提出的模型与代表性的目标检测模型进行了比较。在与代表性目标检测器的单次运行比较中，YOLO-C2ECASA 保持了具有竞争力的检测性能，同时仅需 240 万个参数、6.2G FLOPs、5.01 MB 的模型大小以及每张图像 1.9 毫秒的 GPU 推理时间。更重要的是，在从头初始化的条件下经过十次独立运行，YOLO-C2ECASA 实现了平均 mAP@0.5 和 mAP@0.5:0.95 值分别为 \(0.930\pm 0.008\) 和 \(0.694\pm 0.009\)。在预训练初始化的条件下，相应的重复运行结果分别为 \(0.939\pm 0.005\) 和 \(0.703\pm 0.007\)。在仅 CPU 部署的情况下，YOLO-C2ECASA 实现了每张图像 27.4 毫秒的推理时间，进一步证明了其在资源受限环境中的可行性。这些结果表明，所提出的模型在保持比比较检测器更低的计算成本的同时，实现了具有竞争力的检测性能。消融实验和重复运行实验进一步证明，完整的 C2ECASA 配置在评估的配置中实现了最高的平均性能，同时保持了较低的计算复杂度。总体而言，所提出的方法为肿瘤阳性 MRI 图像中的轻量级脑肿瘤定位和类型分类提供了良好的精度 - 效率权衡。