一个轻量级的GhostYOLO框架，结合了GhostDynamic模块和多尺度注意力机制，用于甲状腺结节诊断

《Scientific Reports》：A lightweight GhostYOLO framework with GhostDynamic Module and multi-scale attention for thyroid nodule diagnosis

　　

摘要

超声波是评估甲状腺结节的主要工具，但其诊断的准确性和效率仍有提升空间。本研究旨在开发一种高性能、计算效率高的深度学习模型用于甲状腺结节检测。我们提出了GhostYOLO，这是一种基于YOLOv11的新型框架。该模型引入了GhostDynamic模块以降低复杂性，并采用了多尺度注意力（MSAttention）机制来提高对不同大小结节的特征提取能力。该模型在包含3,140名患者、12,385张超声图像的内部数据集上进行了训练和评估，并在包含842个病例、8,500张图像的外部公共数据集上进行了验证。在内部测试集上，GhostYOLO的平均精度（mAP）达到了67.2%，F1分数为86.3%；外部验证结果显示mAP50为74.4%（mAP：48.9%），F1分数为79.5%。该模型仅使用了930万个参数和20.2 GFLOPs的计算资源，便实现了高效运行。GhostYOLO为自动化甲状腺结节检测提供了一种稳健且计算效率高的解决方案，展现出在临床诊断中发挥重要作用的巨大潜力。