Volume 3,Issue 7
目标检测算法在循环癌细胞检测中的应用与研究
本文提出一种基于目标检测算法——YOLOv11模型的CTC/CTM检测方法，该方法显著增强了对复杂细胞形态及低对比度样本的检测准确性。文忠实验使用专业数据集进行训练和验证，以平均精度均值（mAP）作为评估指标。实验结果显示，YOLOv11在CTC与CTM检测任务中展现出卓越性能，其平均精度均值（mAP）在训练集上达到89.6%，在测试集上达到87.9%。该研究通过改进训练策略提高了检测精度，为循环癌细胞的自动化检测提供了高效、可靠的解决方案，具有重要的临床应用价值。
[1]李一林,陈杨,李艳艳,等.循环肿瘤细胞检测在常见恶性肿瘤精准医学中的应用和展望[J].诊断学理论与实践,2023,22(04):332-340.
[2]胡爽.基于改进YOLOX的宫颈癌细胞检测算法研究[D].武汉纺织大学,2023.
[3]张宁娟,白利平.PAX1和SOX1基因甲基化检测在宫颈病变中的诊断价值研究[J].中国妇幼保健,2025,40(08):1497-1500.
[4]王秀文.循环肿瘤细胞（CTC）在转移性乳腺癌的肿瘤负荷监测、HER2一致性和PD-L1表达的研究与分析[D].南方医科大学,2024.
[5]Liang D ,Jin Q ,Yan N , et al.SERS Nanoprobes in Biologically Raman Silent Region for Tumor Cell Imaging and In Vivo Tumor Spectral Detection in Mice[J].Advanced Biosystems,2018,2(12):n/a-n/a.
[6]Haodong S ,Petra R ,W M P , et al. In Vitro Fiber-Probe-Based Identification of Pathogens in Biofilms by Raman Spectroscopy. [J]. Analytical chemistry, 2022, 94 (13).
[7]杨海山.基于微流控技术的血细胞分析仪设计与实践[J].医疗装备,2024,37(20):22-24+28.
[8]张明华,李伟,王雪,等.基于改进YOLOv5的循环肿瘤细胞检测方法[J].仪器仪表学报,2023,44(5):100-108.
[9]陈志强,刘芳,高翔.融合深度特征与形态特征的循环肿瘤细胞识别[J].中国生物医学工程学报,2022,41(4):385-394.
[10]王涛,赵敏,孙立.基于深度学习的微流控芯片图像中循环肿瘤细胞实时检测[J].光学精密工程,2021,29(11):2560-2570.
[11]周雨欣,吴凯,郑浩然.改进YOLOv5的病理图像宫颈癌细胞检测[J].自动化学报,2023,49(8):1720-1732.
[12]李想,杨帆,胡军.基于YOLOv7与多尺度特征融合的乳腺癌细胞识别[J].电子学报,2022,50(12):2985-2994.
[13]钱程,孙丽,黄波.基于改进YOLOv8的粘连重叠白细胞检测[J].计算机工程与应用,2024,60(2):220-228.
[14]胡一凡,张磊,林晓.轻量化YOLO模型及其在移动端细胞快速检测中的应用[J].小型微型计算机系统,2023,44(6):1230-1237.
[15]徐浩然,朱琳,马强.融合Transformer与YOLO的病理图像小目标细胞检测[J].中国图象图形学报,2022,27(10):3015-3026.
[16]杨帆,李静,王鹏.基于深度学习的循环肿瘤细胞检测研究进展[J].生物医学工程学杂志,2023,40(1):189-198.
[17]Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 779–788. https://doi.org/10.1109/CVPR.2016.91.