Gallbladder Cancer Detection in Ultrasound Images based on YOLO and Faster R-CNN

医学图像分析是人工智能在疾病诊断中的一个重要应用。这个过程中的一个关键步骤是在图像中识别感兴趣的区域。这项任务可以使用目标检测算法自动化。YOLO和Faster R-CNN都以其自身的优缺点而闻名于此类算法。本研究旨在探讨两种技术的优点，以选择更准确的边界框来检测超声图像中的胆囊，从而增强胆囊癌的分类。本研究提出了一种融合方法，利用了两种技术的优点。所提出的方法表现出更优秀的分类性能，准确率达到92.62％，相比于单独使用Faster R-CNN和YOLOv8，它们的准确率分别为90.16％和82.79％。

提高胆囊癌分类准确率，通过结合YOLO和Faster R-CNN算法来选择更准确的边界框。

本文提出了一种融合方法，结合了YOLO和Faster R-CNN算法的优点，用于从超声图像中检测胆囊，从而提高胆囊癌分类的准确性。

实验结果表明，本文提出的方法在分类准确性方面表现优异，达到92.62%的准确率。此外，本文还使用了开源数据集，并提供了代码，方便其他研究者进行进一步的研究。

与本文相关的研究包括：1. 'A Survey on Object Detection in Medical Images'；2. 'Deep Learning for Medical Image Analysis: A Review'；3. 'Medical Image Analysis with Deep Learning: A Review'。