在医学图像分析领域，目标检测通过为医疗保健专业人员提供可解释的诊断信息而发挥着至关重要的作用。尽管当前的目标检测模型在传统图像中取得了显着的成功，但它们在检测医学图像中的异常情况方面的性能并不令人满意。这主要是由于医学图像中解剖结构的复杂性，以及一些病变可能具有微妙的特征，特别是在早期、小范围异常的情况下。为了应对这一挑战，我们引入了 SOCR-YOLO，这是一种新型病变检测模型，具有基于通道改组的在线卷积重新参数化。首先，它采用SOCR（带有在线卷积重新参数化的Shuffled Channel）模块在特征串联和计算效率之间建立联系，旨在提取更全面的信息，同时减少时间消耗。其次，它结合了Bi-FPN结构来实现多尺度特征融合。最后，优化了损失函数以改进模型训练过程。我们评估了 Kaggle 竞赛提供的两个数据集：胸部 X 射线 (Vindr-CXR) 和脑肿瘤 (Br35H)。实验结果表明，所提出的方法在速度和准确性方面均优于几种最先进的模型，包括 YOLOv8、YOLO-NAS 和 RT-DETR。值得注意的是，在胸部 X 射线异常检测中，SOCR-YOLO 的准确度比 YOLOv8 提高了 1.8%，同时将浮点运算减少了 26.3%。此外，在脑肿瘤检测中也观察到准确度提高了 1.8%。 结果表明我们的模型检测多尺度变化和小病变的卓越能力。



"点击查看英文标题和摘要"