طراحی خط لوله نوین مغناطیسی با بهره گیری از مدل های U-Net++ و YOLOv۱۱ جهت قطعه بندی و تشخیص خودکار تومورهای مغزی در تصاویر رزونانس مغناطیسی

تومورهای مغزی یکی از چالش های عمده سلامت جهانی به شمار می روند و هر سال بیش از ۳۲۰ هزار مورد جدید و حدود ۲۴۰ هزار مرگ در اثر آن ها گزارش می شود. این وضعیت، نیاز به روش های تشخیصی دقیق و سریع را ضروری کرده است. در این پژوهش، یک خط لوله دو مرحله ای نوین برای تشخیص خودکار تومور مغزی از تصاویر ام آرآی پیشنهاد شده است. در مرحله نخست، از مدل U-Net++ با رمزگذار از پیش آموزش دیده ResNet-۵۰ و رمزگشا تودرتو استفاده شده تا قطعه بندی دقیق چهار کلاس بالینی (بدون تومور، ناحیه گلیوما، ناحیه مننژیوما و ناحیه هیپوفیز) انجام شود. خروجی قطعه بندی شده سپس به عنوان ورودی راهنما به مدل YOLOv۱۱ (با ستون فقرات CSPDarknet و سر بدون لنگر) داده می شود تا کادرهای مرزی و امتیاز اطمینان تشخیص داده شوند. با بهره گیری از مجموعه داده BraTS ۲۰۲۱ که شامل ۴۲۳۷ جفت تصویر-ماسک است (۷۰ % آموزش، ۱۵ % اعتبارسنجی و ۱۵ % آزمون)، مدل U-Net++ به صحت ۲۱/۹۹ % و میانگین ضریب دایس ۹۸۶/۰ دست یافت. مدل YOLOv۱۱ نیز در مجموعه آزمون به معیارهای زیر رسید: صحت ۹۸۳۴/۰، صحت ۹۹۲۹/۰، فراخوانی ۹۸۳۴/۰ و امتیاز-F۱ برابر ۹۸۶۹/۰. این نتایج نشان دهنده بهبود حداقل ۵/۲ درصدی در امتیاز- F۱ نسبت به بهترین روش های پیشین است و نوآوری هایی مانند ورودی ترکیبی و بهره گیری از YOLOv۱۱ را برجسته می کند. این خط لوله با سرعت استنتاج لحظه ای بیش از ۲۰۰ فریم بر ثانیه، پتانسیل بالایی برای تحول در تشخیص زودهنگام، برنامه ریزی جراحی و پایش درمان دارد و در نهایت می تواند مرگ ومیر جهانی ناشی از این بیماری را کاهش دهد. کارهای آینده بر مدل های سه بعدی و ارزیابی های بالینی متمرکز خواهد بود.

کلیدواژه ها:

تشخیص تومور مغزی ، U-Net++ ، YOLOv۱۱ ، قطعه بندی ، طبقه بندی ، تصویربرداری تشدید مغناطیسی