目标检测
Parent: ai_keywords
目标检测（Object Detection）
【核心定义】
目标检测是计算机视觉中同时完成目标分类与空间定位的任务，即从图像或视频中识别出特定对象实例的类别（如人、车、病灶）并输出其最小外接矩形框（Bounding Box）。它是连接图像理解与高级语义推理的桥梁，广泛应用于自动驾驶、安防监控及医学影像分析。
【关键技术点】
-
两阶段检测（R-CNN系列）
首先生成候选区域（Region Proposal），再对每个区域进行逐二分类与边界框回归。Faster R-CNN引入区域建议网络（RPN），通过锚框实现端到端训练，精度高但速度受限，适合医学微病灶检测。 -
单阶段检测（YOLO/SSD）
摒弃候选区域，直接在特征图上网格化回归类别概率与位置偏移。YOLO v8等模型达到实时推理（>30 FPS），在脑卒中CT的快速初筛中具有临床可部署性。 -
特征金字塔网络（FPN）
自顶向下与横向连接构建多尺度特征金字塔，增强小目标（如早期脑缺血灶）的检出能力。FPN已成为大多数现代检测器的标配。 -
Transformer检测器（DETR）
将检测建模为序列到序列的集合预测，利用自注意力机制直接输出目标集，无需锚框与NMS。在神经影像中，有助于降低对框先验的依赖，适应病灶形状不规则性。
【医学/神经科学应用场景】
脑卒中CT早期缺血灶检测
首都医科大学宣武医院神经内科团队将目标检测应用于非增强CT的急性缺血性脑卒中识别。采用改进YOLOv5+FPN架构，在千级样本中实现mAP@0.5达0.92，单张CT扫描处理时间<50ms。模型可自动框出额叶、基底节区等部位的早期低密度灶，辅助急诊医生在“时间窗”内快速决策。同时，该技术正扩展至癫痫MRI中的海马硬化检测（定位异常信号区域）及帕金森病冻结步态视频分析（检测下肢运动异常事件），推动神经危重症的智能化精准诊疗。
