基于混合YOLO与SAM的自动化脑肿瘤分割模型研究及其在早期诊断中的应用价值

　　本研究针对早期脑肿瘤诊断难题，提出了一种融合CNN、YOLOv11与SAM的混合深度学习框架。通过增强CNN骨干网络实现特征提取，结合YOLOv11实时定位与SAM精细化分割，在896例MRI数据集上取得精确度94.2%、召回率95.6%、mAP50(B)96.5%的优异性能，为临床早期诊断提供了高效可靠的解决方案。

　　

早期脑肿瘤检测对及时诊断与有效治疗至关重要。研究人员开发了一种混合深度学习方法，将卷积神经网络（CNN）与YOLO（You Only Look Once）和SAM（Segment Anything Model）相结合用于肿瘤诊断。该新颖框架采用CNN结合YOLOv₁₁实现实时目标检测，并利用SAM进行精确分割。通过深化CNN骨干网络的卷积层以增强特征提取能力，YOLOv₁₁定位肿瘤区域，SAM则通过精细掩模生成优化肿瘤边界。研究使用包含896张MRI脑部图像的数据集进行模型训练、测试与验证，涵盖肿瘤和健康脑部影像。基于CNN的YOLO+SAM方法成功实现了脑肿瘤的分割与诊断。该模型表现出卓越性能：精确度达94.2%，召回率为95.6%，mAP₅₀(B)评分高达96.5%，凸显了其在早期脑肿瘤诊断中的有效性。通过全面消融研究验证了系统鲁棒性，表明其非常适合临床部署。

关键词：图像分割、CNN、YOLO v₁₁、SAM、MRI、脑肿瘤数据集