通过结合MHSA（多尺度自适应检测算法）和GA（遗传算法）来提升YOLOv8模型的性能，从而在根尖X光片上实现更准确的龋齿检测

《BMC Oral Health》：Enhancing YOLOv8s with MHSA and GA for robust caries detection on periapical radiographs

　　

摘要

背景

在口腔根尖X光片上早期识别龋齿在临床上非常重要，但由于病变表现细微以及泛化能力有限，自动化检测器的性能在不同数据集之间往往不稳定。

方法

我们提出了一种增强注意力的YOLOv8s检测器，在其更深层次的模型结构中加入了两个多头自注意力（MHSA）模块，并将这种架构与基于遗传算法（GA）的调度搜索相结合，以稳定优化过程。实验使用的是在Guntur的Sibar牙科科学研究所收集的经过整理的数据集（共1,887张X光片），这些数据集已经过标准化和质量筛选，其中80%用于训练，10%用于验证，10%用于测试。

结果

在采用相同的数据增强方法和固定的推理操作点的情况下，所提出的YOLOv8s+MHSA+GA模型实现了0.98的精确度、0.94的召回率、0.96的F1分数、0.97的mAP@0.5值以及0.94的mAP@0.5:0.95值。与次优基线相比（按各项指标衡量），其mAP@0.5值提高了0.21（从0.76提升到0.97），mAP@0.5:0.95值提高了0.61（从0.33提升到0.94），召回率提高了0.26（从0.68提升到0.94）。我们还报告了精确度和召回率的Wilson 95%置信区间，以量化统计不确定性。

结论

这些结果表明，更深层次的自注意力机制结合合理的调度选择，在保持单阶段检测器效率优势的同时，显著提升了检测的灵敏度和定位精度，从而支持常规的AI辅助诊断。