Kang, M., Ting, C.-M., Ting, F. F., & Phan, R. C.-W. (2024). CST-YOLO: A Novel Method for Blood Cell Detection Based on Improved YOLOv7 and CNN-Swin Transformer. 2024 IEEE International Conference on Image Processing (ICIP), 3024–3029.
本研究旨在開發一種基於深度學習的新方法,用於自動偵測顯微鏡影像中的血球,特別是針對小尺寸血球的偵測問題。
本研究提出了一種名為 CST-YOLO 的新模型,該模型基於 YOLOv7 架構,並結合了 CNN-Swin Transformer (CST) 模組。此外,研究團隊還引入了其他三個模組來提升模型效能:加權高效層聚合網路 (W-ELAN)、多尺度通道分割 (MCS) 和串聯卷積層 (CatConv)。
實驗結果顯示,CST-YOLO 在三個血球數據集(BCCD、CBC 和 BCD)上的表現均優於其他先進的物件偵測器,包括 RT-DETR、YOLOv5 和 YOLOv7。具體來說,CST-YOLO 在整體平均精度 (mAP@0.5) 上分別提升了 3.1%、1.5% 和 3.7%。
本研究證實了結合 CNN-Swin Transformer 和 YOLOv7 架構可以有效提升小物件偵測的精準度,特別是在血球偵測任務中。CST-YOLO 模型在未來具有潛力應用於自動化血液檢測和疾病診斷。
本研究的成果對於自動化血液檢測和疾病診斷具有重要意義。CST-YOLO 模型可以協助病理實驗室更準確、高效地進行血球計數,進而提升疾病診斷和治療的效率。
儘管 CST-YOLO 模型在血球偵測任務中展現出優異的效能,但其計算複雜度較高。未來研究可以進一步探討如何降低模型的計算成本,並將其應用於其他類型的醫學影像分析任務。
翻譯成其他語言
從原文內容
arxiv.org
深入探究