Improving Kidney Stone Detection with YOLOV10 and Channel Attention Mechanisms in Medical Imaging
Notice bibliographique
Résumé
Accurate and timely detection of kidney stones is crucial for effective medical intervention and treatment planning. However, existing detection methods often struggle with challenges related to sensitivity, precision, and the ability to process complex and variable medical images. In this study, an advanced kidney stone detection system is developed using the latest object detection algorithm, You Only Look Once version 10 (YOLOv10), integrated with channel attention mechanisms to enhance model performance. This combination aims to improve detection accuracy by enabling the network to focus more precisely on critical regions in medical images, particularly in Computed Tomography (CT) scans, where kidney stones may appear in varying shapes, sizes, and intensities. The proposed system begins with data augmentation techniques, such as rotation, scaling, and contrast adjustments, to enhance the model’s generalization ability across different image conditions and patient profiles. YOLOv10 was selected due to its lightweight architecture, high detection speed, and enhanced performance in small object detection tasks. To further improve feature extraction, channel attention mechanisms such as Squeeze-and-Excitation (SE) blocks or Efficient Channel Attention (ECA) modules are incorporated. These modules enable the network to selectively focus on the most informative feature channels associated with kidney stone regions, while suppressing irrelevant background information, thereby improving the distinction between stones and surrounding tissues. The model is trained and fine-tuned using a diverse CT scan dataset containing various types and sizes of kidney stones. Evaluation results demonstrate that the proposed model achieves a high detection accuracy of 93.7% with a very low loss of 0.18. It exhibits stability without issues like overfitting, underfitting, or local minima entrapment, making it a highly reliable tool for clinical applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».