脑肿瘤仍是全球范围内的主要致死原因之一，这凸显了对有效且精准诊断工具的迫切需求。本文提出了 MK-YOLOv8—— 一种创新性轻量级深度学习框架，该框架专为从磁共振成像（MRI）图像中实时检测和分类脑肿瘤而开发。该模型以 YOLOv8 架构为基础，集成了 Ghost 卷积、C3Ghost 模块和 SPPELAN 模块，旨在提升特征提取能力并大幅降低计算复杂度。模型中新增了一个超小目标检测层，可支持

摘要脑肿瘤是由大脑内细胞不受控制的增殖导致的疾病，会导致诸如记忆力减退和运动功能障碍等严重的健康问题。因此，早期诊断脑肿瘤对于延长患者生存期至关重要。鉴于放射科医生工作繁忙且旨在减少误诊的可能性，包括计算机辅助诊断和人工智能在内的先进技术在辅助放射科医生方面发挥了重要作用。近年来，许多基于深度学习的方法被应用于使用MRI图像进行脑肿瘤检测和分类，并取得了令人鼓舞的结果。本文的主要目的是对这一领域的

摘要脑肿瘤是由大脑内细胞不受控制的增殖导致的疾病，会导致诸如记忆力减退和运动功能障碍等严重的健康问题。因此，早期诊断脑肿瘤对于延长患者生存期至关重要。鉴于放射科医生工作繁忙且旨在减少误诊的可能性，包括计算机辅助诊断和人工智能在内的先进技术在辅助放射科医生方面发挥了重要作用。近年来，许多基于深度学习的方法被应用于使用MRI图像进行脑肿瘤检测和分类，并取得了令人鼓舞的结果。本文的主要目的是对这一领域的

用于工业表面缺陷检测的高效轻量级卷积神经网络