医学图像目标检测算法改进方案：基于RT-DETR的多维特征增强与自适应优化

医学图像目标检测算法改进方案：基于RT-DETR的多维特征增强与自适应优化

摘要

本文针对医学图像目标检测中存在的多尺度目标、复杂背景干扰及小目标检测精度低等挑战，提出了一种改进的RT-DETR（Real-Time Detection Transformer）模型。本研究通过三个核心改进点实现了显著性能提升：(1) 设计了自适应感受野增强模块（ARFE），动态调整感受野以捕捉多尺度医学目标；(2) 提出了跨层级特征引导上采样机制（CFGU），有效融合低层细节信息与高层语义信息；(3) 开发了通道-空间双重注意力（CSDA）模块，增强模型对关键区域的特征提取能力。在三个公开医学数据集上的实验表明，改进模型在mAP指标上平均提升4.2%，小目标检测精度提升6.8%。最后，本文详细阐述了将改进模型集成到QYPT（Quality Yield and Process Tracking）医学图像分析平台的具体方案，实现了从算法研究到实际应用的全流程闭环。

关键词：医学图像；目标检测；RT-DETR；自适应感受野；特征融合；注意力机制；QYPT平台

第1章 绪论

1.1 研究背景与意义

医学图像目标检测是计算机辅助诊断（CAD）系统的核心技术，广泛应用于肿瘤定位、器官分割、病变识别等临床场景。随着深度学习技术的快速发展，基于卷积神经网络（CNN）和Transformer的目标检测算法已在医学图像分析领域取得了显著进展。然而，医学图像的特殊性——包括目标尺度变化大、背景复杂