轻量YOLO脑瘤检测模型

mAP@50达97.2%

针对MRI脑瘤检测的改进YOLO11n，通过轻量化模块设计在降低计算量的同时提升检测精度，适合边缘设备部署。

赵红佳

Frontiers in Neurology 2025

参数信息

平均精度均值 (mAP@50)

97.2 %

召回率

93.8 %

计算量

4.8 GFLOPS

技术优势

精度超越基线

通过引入OREPA和EMA模块增强特征提取能力，模型在mAP@50上比基线YOLO11n高2.1个百分点，达到97.2%。

计算量降低四分之一

采用GhostConv等轻量化结构，GFLOPS从6.4降至4.8，减少25%，便于在边缘设备上高效运行。

多类肿瘤精准识别

在4000张MRI图像上训练，模型能够在胶质瘤、脑膜瘤、垂体瘤和无肿瘤四类中实现高精度定位与分类。

轻量设计便于部署

通过精简参数和计算量，模型适合在医疗终端和可穿戴设备等资源受限环境中实时运行，无需高性能服务器。

应用场景

• 医疗影像诊断：辅助放射科医生快速定位和分类脑肿瘤，减少漏诊。
• 脑肿瘤检测：自动识别MRI中的胶质瘤、脑膜瘤和垂体瘤，提高诊断效率。
• 可穿戴医疗设备：轻量模型可嵌入便携设备，实现床旁或移动环境下的脑瘤初筛。
• 边缘计算：模型计算量低，可在边缘设备上实时处理MRI图像，降低云端依赖。