面向口腔多类别疾病检测的轻量级多尺度注意力网络APR-Net

《Scientific Reports》：APR-Net: a lightweight multi-scale attention network for oral disease detection

　　摘要口腔图像中的多类别目标检测对于口腔疾病筛查和计算机辅助评估具有重要意义。现有的轻量级检测模型仍存在细粒度病灶识别不足、低对比度病理区域特征表示较弱、多尺度特征融合不充分以及在视觉复杂的口腔场景中漏检的问题，这些问题限制了牙结石、龋齿、牙龈炎、牙齿缺失、牙齿变色和溃疡等类别的检测精度和召回率。为解决这些问题，本文提出了一种轻量级多尺度注意力网络APR-Net，该网络整合并适配了用于口腔疾病检测的有效下采样、特征融合和注意力机制。基于YOLOv8n框架构建，APR-Net首先引入基于ADown的轻量级下采样策略，以减少特征提取过程中细粒度病灶信息的丢失。然后，采用RepNCSPELAN4构建重参数化特征金字塔网络，增强对不同尺寸口腔疾病的多尺度特征聚合能力。最后，在SPPF层后嵌入部分自注意力（PSA）模块，以加强高级语义表示并提高模型对弱边界和低对比度病灶区域的敏感性。实验结果表明，与原始YOLOv8n相比，APR-Net的精确率、召回率、F1分数、mAP50、mAP75和mAP50-95分别提高了0.79、2.85、2.12、2.54、2.07和1.62个百分点。同时，APR-Net将参数量从3.01M减少到2.79M，并将整体FPS从163.14提高到312.16，证明了其在实现精确、轻量级和实时多类别口腔疾病检测方面的有效性。