脑肿瘤智能检测：YOLOv8与EfficientNet双模型协同的医学影像AI方案

本项目由Salil Ilme于2026年5月29日在GitHub发布，核心是将YOLOv8-OBB目标检测与EfficientNet-B0分类网络结合，构建脑肿瘤MRI影像分析系统。该系统实现94.74%的分类准确率和精准肿瘤定位，旨在解决传统MRI诊断依赖经验、主观性强等问题。

脑肿瘤早期准确诊断对患者生存率至关重要，但传统MRI诊断高度依赖放射科医生经验，存在主观性强、工作量大、易漏诊等问题。本项目提出双模型协同架构，通过目标检测+分类的两阶段设计，提升诊断效率与准确性。

双模型流程

MRI影像输入 → YOLOv8-OBB肿瘤定位 → 肿瘤区域提取 → EfficientNet-B0分类 → 输出肿瘤类型

定向边界框（OBB）价值

YOLOv8-OBB采用定向边界框，更紧密贴合肿瘤形状，减少背景干扰，标注格式为四个角点坐标。

核心技术栈

PyTorch、Ultralytics YOLOv8、OpenCV、NumPy等，数据预处理包括归一化、尺寸调整、数据增强等。

数据集

使用Kaggle的YOLO v11 Tumor Detection Dataset，共1947张MRI影像（训练1362/验证395/测试190），识别四类肿瘤（胶质瘤、脑膜瘤、垂体瘤、无肿瘤）。

训练配置

输入尺寸224×224，Adam优化器，学习率0.001，批次16，训练5轮，启用ImageNet预训练权重。

性能

EfficientNet-B0分类准确率94.74%，精确率95.34%，召回率94.74%，F1 94.90%；YOLOv8-OBB通过mAP、角度损失等指标评估，表现优于DenseNet121。

本项目展示深度学习在医学影像的典型应用：任务分解（定位+分类）、模型选型（YOLO检测/EfficientNet分类）、领域适配（医学数据集迁移学习）、严谨评估。94.74%准确率是良好起点，但距临床部署需更大数据集、严格验证与监管审批，双模型协同思路为医学AI提供借鉴模板。

临床意义

可作为放射科辅助工具：初筛标记可疑区域、量化分析肿瘤大小位置、提供疑难病例参考。

未来方向

1. 更大规模数据集；2. 多模态融合（T1/T2/FLAIR序列）；3. 像素级分割；4. 临床验证；5. 3D MRI分析。